基于驾驶风格识别的AEB控制策略

为了考虑个性化的驾驶员特性对AEB控制策略的影响,提出了一种基于不同驾驶员驾驶风格的AEB控制策略。根据AEB危险场景下的驾驶员反应时间和情境风险度评价得分提出了驾驶风格识别系数的评价指标,通过驾驶员特性所呈现的人群聚类规律,将驾驶员分为谨慎型、普通型和激进型,同时引入危险系数来分级控制安全距离模型的制动减速度,完成紧急状况下的车辆制动。Simulink与Trucksim联合仿真结果表明,不同驾驶风格驾驶员对AEB系统介入时机与最小安全距离的心理预期具有不同的个性化需求,基于不同驾驶风格的AEB控制策略可以有效改善AEB系统的适应性,提高驾驶员的舒适性。     

基于动态碰撞时间的自动紧急制动策略设计

针对基于碰撞时间（TTC）的传统自动紧急制动（AEB）策略未考虑自车车速的局限性,提出了一种考虑车速的动态碰撞时间阈值模型,设计了基于动态碰撞时间阈值的AEB控制策略。为保证制动过程的舒适性与安全性,确定了两级制动策略并对减速度的变化率进行限制,利用PI控制算法完成车辆减速度控制,并通过仿真确定不同车速下的TTC阈值,建立动态碰撞时间阈值模型。硬件在环仿真结果表明：在保证舒适性的前提下,相比于传统AEB策略,所设计的AEB策略避撞成功率提高了47.6%,具有更优的综合性能。     

基于自然驾驶数据的跟车场景潜在风险评估

为弥补传统风险评价指标对相对速度较小的跟车场景危险水平评价能力的不足，减少跟车场景中追尾事故的发生，提出了跟车场景潜在风险的概念。将假定前车以较大制动减速度减速条件下的风险称为潜在风险，并构建了代表驾驶人在潜在危险跟车场景下进行避撞操作需满足的最大反应时间的参数时间裕度（TM）。由于追尾危险工况中常见采取的避撞操作可分为制动和制动转向两大类，分别对典型制动避撞过程和制动转向避撞过程进行了分析，从而推导出分别针对2种跟车潜在危险场景的TM计算方式。通过自动筛选与人工筛选结合，获得了中国自然驾驶数据库（China-FOT）中具有中国驾驶人特点的制动避撞危险工况87个和转向制动避撞危险工况40个进行分级，并基于图像处理方法提取了前车制动开始时刻的TM值，从而得到跟车场景潜在风险两级危险域的划分。结果表明：制动避撞场景下，本车车速过低和过高时，TM值的变化均不明显；而在制动转向避撞场景中，只有速度较高时阈值才保持不变。通过对正常驾驶视频的分析，引入对比组共计正常跟车制动工况163例和正常跟车转向变道工况151例的车头时距（THW）值，其统计分析结果与支持向量机分类结果均难以清晰描述跟车场景危险水平与本车速度之间的关系。为研究跟车场景潜在风险评价在自动驾驶中的应用，对于制动避撞场景，在设定TM值不变和相对速度不变的条件下，分别对基于TM的最小相对距离和距离碰撞时间（TTC）值进行了仿真，仿真结果显示，相比于TTC而言，TM的评价稳定性受相对速度影响小，在自动驾驶跟车策略开发和避免其发生责任追尾事故中有重要应用价值。     

基于自适应采样时间MPC的自动紧急制动系统

针对传统AEB系统控制过程中缺乏对舒适性考虑以及控制精度较差等问题，提出了一种考虑多目标的模型预测控制（MPC）策略。首先，通过引入模糊规则计算场景工况的紧急系数，并基于此设计自适应采样时间MPC上层控制器，接着采用PID反馈控制与逆发动机模型设计下层控制器，最后通过PreScan与Simulink联合平台进行仿真试验，并进一步在实车试验平台上验证。结果表明，基于本文策略的AEB系统在两种典型场景、多种运行工况下均能避撞成功，加速度变化率始终位于舒适区间，最终车间距离为1.74～4.18 m，能确保车辆自动紧急制动过程中的舒适性与有效性。     

基于自然驾驶数据的危险评估算法研究

本文中提出了一种基于自然驾驶数据的汽车碰撞危险评估算法。首先分析了在自然驾驶工况下的驾驶员制动和转向的输入特性,研究了表征驾驶员的制动避撞和转向避撞紧急程度的行为特征参数,建立了紧急制动和紧急转向的驾驶员数学模型;在此基础上,分析了不同车速下制动避撞和转向避撞的特征,提出了基于自然驾驶数据的危险评估算法。仿真结果表明,本文中提出的危险评估算法可同时兼顾制动避撞和转向避撞,并与驾驶员在真实交通环境下的紧急避撞行为相对应,可用于汽车避撞系统控制策略的开发。     

汽车与电动两轮车碰撞典型场景下的AEB纵横向触发策略研究EI北大核心CSCD

在汽车与电动两轮车碰撞事故中,自动紧急制动(autonomous emergency breaking,AEB)系统的横向触发固定宽度是避撞失效的重要因素之一。为了提高汽车AEB系统的避撞可靠性,本文在分析了汽车与电动两轮车碰撞临界工况的纵横向TTC(time to collision)差值范围的基础上,建立了AEB纵横向触发TTC差值模型。基于PreScan、Matlab/Simulink和CarSim仿真平台建立2种典型的汽车碰撞电动两轮车事故场景,并与横向触发宽度固定为1.75和3.75 m的AEB策略对比。结果表明:提出的AEB纵横向触发TTC差值模型在避撞率中表现更优,在汽车速度低于54 km/h时均能实现避撞。在典型场景1中避撞率为88.9%(45例),未避撞事故碰撞平均速度从70.6下降到29.7 km/h;在典型场景2中避撞率为80%(30例),未避撞事故汽车平均碰撞速度从66降低为18.2 km/h。AEB纵横向触发TTC差值模型具有良好的可靠性和鲁棒性,提高了汽车与电动两轮车道路安全性,为汽车主动安全系统开发提供重要理论参考。     

基于PreScan的AEB系统纵向避撞算法及仿真验证CSCD

采用自动紧急制动(AEB)可以辅助驾驶员避免纵向碰撞。该文对比了5种AEB算法对避免纵向碰撞仿真验证制动效果。以自动制动结束时的己车与前车的距离来判断制动效果的4种安全距离(AS)算法是:Mazda、Honda、Berkeley、Seungwuk Moon;另一种是以即碰时间(TTC)为判断制动效果的TTC算法。在Simulink中运行的汽车主动安全的仿真平台Pre Scan上进行仿真验证。结果表明:在不干扰扰驾驶员正常驾驶前提下,这5种算法中,以即碰时间的TTC算法的纵向避撞性能最优。     

交叉路口转弯车辆对横穿行人的避撞策略

针对交叉路口转弯车辆与横穿行人碰撞的危险场景,提出了一种综合碰撞时间和制动距离的避撞策略。首先,建立转弯车辆与行人的位置关系模型,确定行人目标跟踪方法,然后,通过比较行人进入转弯区域时间、避撞剩余时间、行人离开转弯区域时间的关系确定行人是否为危险目标,最后,建立此种场景下的制动安全距离模型并确定了避撞策略。通过PreScan和MATLAB软件对避撞策略进行了仿真验证,结果表明,该策略能有效避免该类危险场景中的碰撞事故。     

自动紧急制动系统控制策略仿真验证

为了在危险情况时辅助驾驶员实现纵向避撞或减小碰撞造成的伤害,文章提出了一种考虑实际制动过程与驾驶员制动行为的分级制动控制策略。通过试验得到相关参数,根据新车评价标准的AEB测试工况与评价指标,搭建测试场景并评价新车AEB功能。仿真结果表明,AEB控制策略在所有工况下都能达到新车评价规程中AEB功能的标准。提出的分级制动控制策略具有一定的参考价值。仿真模型可以方便地更改参数以适用于不同车辆,可作为新车评价AEB功能的仿真工具,减小试验成本,具有实用价值。     

制动与转向协调动作的车辆避撞控制研究（双语出版）

为了弥补现有汽车避撞控制策略以及碰撞风险评价指标单一的不足，提出转向和制动协调的主动避撞控制系统。首先规划了五次多项式换道路径，在对其理论分析的基础上得到转向临界避撞距离和与目标车道车辆的安全距离约束。其次，考虑道路附着系数和系统延迟的影响，基于制动过程给出制动临界避撞距离，并以纵向行驶安全系数ξ和碰撞时间倒数T^-1_TC划分安全行驶区域，利用驾驶人实车跟车数据标定稳态跟随/定速巡航区域的阈值。随后，通过转向/制动临界避撞距离的对比给出2种避撞方式的安全收益范围。最后搭建Simulink/CarSim联合仿真模型，并对其进行不同初始条件下的避撞仿真试验。研究结果表明：转向操作在制动距离不足时仍是有效的；当主车高速近距离接近静止前车时，主车可以顺利采取转向换道动作，而常规ACC系统在2.5 s处的车间相对距离为-0.76 m，事实上已经发生了碰撞；当相邻车道前车与主车纵向间距不满足换道安全距离约束时，避撞控制系统进入紧急制动模式，最大制动减速度达到-0.8g（g为重力加速度），实际最小车间距为5.1 m；通过转向和制动的协调动作，充分发挥了车辆的避撞潜力；ξ和T^-1_TC指标的融合，可以更好地评估碰撞风险并实现不同控制模式的转换，在保证行车安全的同时可避免过分制动给乘客造成的紧张感。     

基于车联网的行人主动避撞策略及仿真验证

针对行人从静止遮挡车辆前方穿出并与主车碰撞的“鬼探头”危险场景,提出一种基于车联网的行人主动避撞系统控制策略。首先,建立主车、遮挡车和行人间相对位置关系模型,通过车车通信获取遮挡车前方的行人状态信息;其次,根据目标进入时间、目标离开时间、碰撞剩余时间和安全避撞时间4个危险状态判断评价指标,建立分级制动策略,并通过下层PID控制调节制动压力实现车辆控制;最后,基于PreScan、CarSim和MATLAB联合仿真平台,搭建该危险场景并验证所提出控制策略的有效性。结果表明,该策略能够实现避撞功能,且性能优于基于宽度触发的行人主动避撞策略。     

基于自然驾驶数据的自动驾驶汽车安全性评价方法

自动驾驶汽车进行大规模市场推广前必须进行准确可靠的安全性评价，由于自动驾驶系统复杂程度的增加及设计运行区域的扩大，面向传统汽车的评价方法已不能满足自动驾驶汽车的安全性评价需求,基于此，建立一种基于自然驾驶数据的自动驾驶汽车安全性评价方法，可解决现有方法在逻辑场景层面安全性评价的缺陷。首先，建立基于自然驾驶数据的逻辑场景构建流程，分析场景描述参数，搭建自然驾驶数据采集平台采集相关自然驾驶数据，采用高斯分布模型描述参数概率分布；进而，离散逻辑场景参数空间获取具体测试用例，并在建立的PreScan、CarSim和MATLAB联合仿真平台中对被测自动驾驶算法进行仿真遍历测试，通过高斯模型将测试结果中的危险场景参数聚类，获取被测算法在逻辑场景中的危险区域；最后，综合考虑逻辑场景参数空间概率分布和得到的相应逻辑场景危险区域，提出基于自然驾驶数据的自动驾驶汽车安全性评价指标——场景风险指数，并以前车制动和前车切入场景为例，给出某黑盒算法的具体评价示例。研究结果表明：被测算法在前车制动场景和前车切入场景中的场景风险指数分别为0.409 8和1.08×10^-5，在前车制动场景中具有较大的安全风险，与仿真测试的直观结果相符；通过比较计算得到的场景风险指数与实际仿真测试结果可证明所提出的方法可以实现逻辑场景层面的自动驾驶安全性量化、易于操作、贴近自然驾驶情况。     

制动与转向协调动作的车辆避撞控制研究

为了弥补现有汽车避撞控制策略以及碰撞风险评价指标单一的不足,提出转向和制动协调的主动避撞控制系统。首先规划了五次多项式换道路径,在对其理论分析的基础上得到转向临界避撞距离和与目标车道车辆的安全距离约束。其次,考虑道路附着系数和系统延迟的影响,基于制动过程给出制动临界避撞距离,并以纵向行驶安全系数ξ和碰撞时间倒数T■划分安全行驶区域,利用驾驶人实车跟车数据标定稳态跟随/定速巡航区域的阈值。随后,通过转向/制动临界避撞距离的对比给出2种避撞方式的安全收益范围。最后搭建Simulink/CarSim联合仿真模型,并对其进行不同初始条件下的避撞仿真试验。研究结果表明:转向操作在制动距离不足时仍是有效的;当主车高速近距离接近静止前车时,主车可以顺利采取转向换道动作,而常规ACC系统在2.5 s处的车间相对距离为-0.76 m,事实上已经发生了碰撞;当相邻车道前车与主车纵向间距不满足换道安全距离约束时,避撞控制系统进入紧急制动模式,最大制动减速度达到-0.8g(g为重力加速度),实际最小车间距为5.1 m;通过转向和制动的协调动作,充分发挥了车辆的避撞潜力;ξ和T■指标的融合,可以更好地评估碰撞风险并实现不同控制模式的转换,在保证行车安全的同时可避免过分制动给乘客造成的紧张感。     

基于场景的AEB误动作分析与优化

AEB自动紧急制动(含FCW前向碰撞报警)功能能够有效减少或缓解碰撞事故的发生,但由于国内交通状况复杂,驾驶员驾驶习惯比较激进、随意,导致国内驾驶员对AEB功能的满意率欠佳,本文通过文献调研、用户意见搜集等方式,采集国内车型现有AEB误动作的典型场景,尤其是关于碰撞报警以及制动干预等方面的功能表现,结合AEB工作机理分析误动作发生的主要原因,基于典型国内交通场景并以C-NCAP星级评价等为开发目标进行优化设计,最后通过Matlab/Simulink和PreScan等仿真工具对优化方案进行了虚拟验证。     

基于驾驶模拟器的驾驶人制动后制动踏板操作行为分析

制动过程主要由制动前的反应过程以及制动后的减速过程组成.研究制动后避撞行为对于理解驾驶人的避撞行为、建立制动曲线模型等有着重要作用.利用配有8自由度运动系统的高仿真驾驶模拟器,研究了驾驶人在不同前车减速度(0.3,0.5,0.75g)和不同车头时距(1.5,2.5 s)的制动后制动踏板操作行为.利用ANOVA模型分别比较了驾驶人制动后制动踏板操作行为参数的.差异.结果表明,踩踏板速率随着制动时车头时距的减少而增加,并且随着前车减速度的减少而减少;新手驾驶人的踩踏板速率普遍大于经验驾驶人;相比于前车速度的改变,驾驶人对制动时车头时距的变化更加敏感.     

基于前车轨迹预测的高速智能车运动规划

针对现有运动规划算法大多只考虑障碍车当前状态,本文中提出一种基于前车运动轨迹预测的高速车辆运动规划算法。首先,融合考虑驾驶意图与基于车辆运动模型的方法对前车轨迹进行预测;然后,采用贝塞尔曲线(Bezier)规划主车运动轨迹,结合避撞过程中与前车碰撞风险概率,高速避撞车辆速度变化特点以及车辆运动稳定性等因素建立目标函数,并考虑车辆动力学与运动学约束,使用序列二次规划(SQP)方法对Bezier曲线的控制点和主车运动目标点位置进行优化求解,得到最优避撞运动轨迹;最后,以前车直行和换道两种工况为例,对主车的避撞运动轨迹进行规划,分析不同工况下主车避撞过程中的运动状态变化以及与前车碰撞风险概率变化。结果表明,所提出的运动规划算法能够保证车辆的避撞安全性与运动稳定性。     

危险品运输车辆自主紧急制动控制策略研究

自主紧急制动(AEB)系统作为车辆主动避撞的有效手段之一,必将成为我国重型商用车辆强制性配备装置。在分析AEB系统工作原理的基础上,以实现危险品运输车辆AEB系统的预警和自主制动干预为目的,提出了一种基于安全距离模型的AEB系统预警算法,建立了基于危险状态因子的分级控制策略,采用Trucksim软件对提出的危险品运输车辆的AEB控制策略进行了两种仿真测试场景下制动效果的验证。仿真结果表明:所提出的AEB控制策略是有效的,满足AEB系统的相关法规及性能要求。     

基于改进安全距离模型的人机协同纵向避撞研究

针对车辆纵向跟驰过程中的避撞问题,基于车辆运动状态和路面附着系数等因素,提出了一种改进的安全距离模型。针对驾驶员和主动制动系统的协调控制问题,采用可拓决策的方法,以两车实际间距和碰撞时间为参考变量建立二维可拓集合,划分动态安全边界,不同域中分别采用自由驾驶模式、协调制动模式和主动制动模式。基于避撞模型,对被选为主动制动控制器的径向基神经网络的模型进行训练,得出理想制动压力。通过软件仿真和台架硬件在环仿真,对所提控制策略进行验证,结果表明所提策略能有效避免车辆纵向碰撞,改善了制动平稳性和安全性。     

车车通信环境下基于驾驶意图共享的车辆避撞预警算法

针对传统基于距离或时间的车辆避撞预警算法存在较高误警率的问题，考虑在避撞预警算法中引入驾驶意图共享的概念，提出了基于实际外场复杂车车通信V2V（Vehicle-to-vehicle，V2V）环境下的车辆跟驰避撞预警算法。基于LTE-V构建外场V2V环境，将车辆行驶过程描述为一个时间序列的隐性马尔可夫随机过程，借助隐马尔可夫模型（Hidden Markov Model，HMM）建立驾驶人驾驶意图与车辆相对行驶状态序列之间的隐含关系模型，并给出基于Viterbi算法的驾驶意图预判求解方法，将驾驶意图作为特征因子集成到安全距离模型中，提出基于驾驶意图共享的避撞（Driving Intention Based Collision Avoidance，DI-CA）预警算法。利用构建的V2V试验环境，实现了匀速、加速、减速和紧急制动等4种驾驶意图，以及相对速度和相对距离增加、减小、保持不变等9种组合的车辆行驶状态试验数据获取，并利用试验数据对所提出的DI-CA预警算法进行实证分析。结果表明：所提出预警算法能够针对不同驾驶意图提供有效的车辆碰撞预警。在此基础上将4种驾驶意图下的DI-CA预警算法与Mazda预警算法求得的安全距离进行了对比分析，所提出的DI-CA预警算法的平均预警正确率为84%，高于Mazda预警算法的78%，而DI-CA预警算法的平均误警率和漏警率分别为5%和16%，均明显低于Mazda预警算法，说明所提出的DI-CA预警算法在提升预警效果的同时明显降低了误警率和漏警率，可避免行驶过程中因误警而导致的连续刹车，以及因漏警而导致的可能碰撞事故发生。最后，总结并给出了驾驶意图共享理论应用于车辆避撞预警的研究展望。     

考虑载质量的半挂汽车列车前向避撞策略研究

碰撞是半挂汽车列车行车事故的主要事故形态,为了提高半挂汽车列车行车安全,研究了考虑不同载质量的半挂汽车列车的前向避撞策略。通过分析载质量对制动性能的影响,研究了考虑载质量的前向避撞安全阈值的确定方法。在此基础上,提出了考虑半挂汽车列车载质量的前向避撞多级预警策略。基于Truck Sim/Simulink进行了空载和满载的半挂汽车列车前向避撞的仿真试验。试验结果表明,前向避撞多级预警策略在不同载质量下具有较好的效果。