基于場景的AEB誤動作分析與優化

黃福俊

摘? 要：AEB自動緊急制動（含FCW前向碰撞報警）功能能夠有效減少或緩解碰撞事故的發生，但由于國內交通狀況復雜，駕駛員駕駛習慣比較激進、隨意，導致國內駕駛員對AEB功能的滿意率欠佳，本文通過文獻調研、用戶意見搜集等方式，采集國內車型現有AEB誤動作的典型場景，尤其是關于碰撞報警以及制動干預等方面的功能表現，結合AEB工作機理分析誤動作發生的主要原因，基于典型國內交通場景并以C-NCAP星級評價等為開發目標進行優化設計，最后通過Matlab/Simulink和 PreScan等仿真工具對優化方案進行了虛擬驗證。

關鍵詞：機理分析;CAE;優化設計;C-NCAP

中圖分類號：U467? ? ?文獻標識碼：A? ? 文章編號：1005-2550（2018）06-0042-08

Analysis and Optimization of AEB False Positive Based on Scenarios

HUANG Fu-jun

（ Tongji University， Shanghai 200000， China ）

Abstract： AEB（Autonomous Emergency Brake） including FCW（Forward Collision Warning） function can effectively reduce or mitigate traffic accidents. However， the satisfaction rate of AEB function is poor in China because of the complex traffic situation， aggressive and rule-less driving habits. This paper collected typical false positive scenarios of AEB with false or early warning or braking through literature study and VOC （Voice of Custom） collection etc. Based on the theoretical analysis of AEB function， root causes of false positive cases were found， and then optimization was made to reduce the false warning and / or braking while meeting the safety rating goal of C-NCAP， which is greatly helpful for improving the performance of current AEB functions. CAE tools including Matlab/Simulink and PreScan were used to validate the optimization scheme virtually.

1? ? 背景

研究表明，超過90%的交通事故都是由于人為因素導致的，ADAS（先進駕駛輔助系統）通過減少人（駕駛員）的失誤，進而避免或者減緩交通事故，其原理是為駕駛員提供駕駛輔助，減少疲勞，并通過適當的報警措施提醒駕駛員及時發現事故風險，并在駕駛員反應不及時或無響應時，及時、恰當地介入車輛，控制-縱向和/或橫向。據相關研究表明，基于VVSMA（基于整合分析的車輛安全性驗證）組織的歐洲六國交通事故統計分析結果，AEB自動緊急制動（含FCW前方碰撞報警）能減少38%的低速工況追尾事故，從而有效減少追尾事故造成的人員傷亡和財產損失。近年來AEB（含FCW）功能在中國市場的應用也逐漸增多，并以合資品牌車型居多，但該功能的正向開發環節大多缺失，例如客戶需求分析、駕駛行為分析等，與中國駕駛員的駕駛習慣以及復雜多變的交通路況脫離，用戶體驗參差不齊，用戶滿意度欠佳。從各大汽車論壇等了解到，國內用戶抱怨較多的問題是系統誤報警率及誤制動率較高，即在不需要報警或者緊急制動時系統報警或者緊急制動，或者報警/制動時刻過早。但由于上述案例的車輛數據及環境數據較難獲取，無法準確復現及分析。

同濟大學的王雪松等人研究了[1]基于自然駕駛數據的避撞預警對跟車行為的影響，研究表明 ，FCW系統對跟車時的車頭時距影響較小 ，但顯著降低了跟車中的 反應時間。PáezF[2]等人通過對真實交通場景的重建，研究了多個AEB（Autonomous Emergency Break）系統對人車碰撞的潛在影響，結果表明許多的交通事故可以被避免。Stellet J E[3]等人分析了AEB系統對不確定預報的理論限制。

1.1? ?AEB系統誤動作（報警/制動）分類

表1 NHTSA公布的克萊斯勒車型AEB誤制動案例示例

AEB功能的應用開始于歐美，相關用戶抱怨/反饋也比較系統全面。以美國NHTSA（美國高速公路交通安全管理局）關于克萊斯勒車型AEB誤動作的統計結果為例，2012年7月至2015年12月之間，在美國總共發生176起克萊斯勒車型AEB誤制動，詳見表1。

國內車型的主動安全功能應用較晚，還處于市場培育期，用戶對該功能的熟悉程度不高，獲取用戶抱怨/反饋的渠道也比較有限，本文通過文獻調研、檢索各大汽車論壇，可將國內AEB功能常見的誤動作分類如下：

第一類是因為傳感器對危險目標的錯誤判斷而引起的錯誤報警/制動，如道路上其他障礙物：相鄰車道目標、道路減速帶、易拉罐、隧道標牌、停車場閘機橫桿等;

第二類是因為控制策略設計不合理，導致過早報警或制動（本文研究重點），典型的AEB誤動作場景如圖2所示：

1.2? ? AEB功能競標測試

為了全面系統了解不同車型配置的AEB功能的性能和技術解決方案，選取國外多家第三方測試機構的測試報告進行分析。圖3為ADAC AEB測試車型概覽。

以ADAC測試結果為例，這家德國第三方測試結構對六款車型的AEB功能進行了測試和對比分析，各車型AEB功能的報警和制動介入時間和方式見表2，從該測試結果可以看出，測試的六款車型的碰撞報警時刻，分布在2.1到4.0秒之間，其中以Infiniti M37S的4.0秒最長;自動緊急制動的介入時刻，介于0.7秒到1.9秒之間，分布范圍較廣，以VW Passat的1.9秒最長。采用過早的碰撞報警或者制動干預時間設置，容易在某些場景中引起不必要的報警和制動，從而引起駕駛員的不滿甚至引起后車追尾等嚴重后果。

2? ? ?AEB誤動作機理分析

2.1? ?AEB工作機理分析

自車開始制動時前后兩車距離或碰撞時間的確定是AEB系統需要解決的關鍵問題之一，目前AEB系統比較常用的避撞模型為：

（1）Mazda模型

Mazda模型是Doi等人[6]提出的一種危險制動距離模型，其模型公式如下：

其中，v為自車車速，vrel為相對車速，a1為自車最大減速度，a2為前車最大減速度，t1為駕駛員反應延遲時間，t2為制動器延遲時間，d0為最小停車距離。 當兩車使用全力制動時，d0能夠確保兩車不發生碰撞。增加延遲時間t1、t2能夠使系統更加保守。

（2）Honda模型

Honda 模型[7]的碰撞預警（collision warning， Cw）的邏輯算法的制動危險距離為：

其中，v為自車車速;v2為前車車速，a1、a2分別為自車和前車的最大減速度;t1、t2分別為系統延遲時間和制動時間。

（3）Berkeley模型

在 Berkeley 模型[8]中，在碰撞預警階段，本車輛如果發生碰撞，則公式是：

其中：t1為駕駛員反應時間，t2為制動系統延遲時間，a2為兩車最大制動減速度。

（4）SeungwukMoon 模型

SeungwukMoon 模型[9]被定義為

其中：Tdelay為系統延遲時間，f（μ）為制動因數，amax為最大制動減速度。

（5）TTC模型[10]

AEB系統的關鍵參數主要包括報警時刻TTCw，制動時刻TTCb（包含半制動以及全力制動）、全力制動減速度值、停車/減速后的安全車距等;其中TTC的計算公式如下：

其中，t1為ECU計算時間，t2為通訊延遲，t3為制動系統建壓時間。各部分的取值范圍，有很多相關因素，包括目標類型，運動形態，車輛網絡通訊方式，制動系統參數等。

如下圖4所示，以制動干預為例，當TTC小于制動閾值時，ECU發出制動干預指令，經過CAN網絡（或其他通訊方式）發送給制動系統，制動系統的電機響應有一定延遲，隨后開始逐漸建壓，直至達到最大制動壓力，在此過程中車輛逐漸減速，直至車輛靜止、制動指令結束或碰撞風險消失。

2.2? ?誤動作原因分析

基于對AEB系統原理的了解，經過分析，得出AEB誤動作的幾個主要原因：

（1）報警及制動TTC較大：

相比國外駕駛員，國內駕駛員在跟車、變道時的相對車距都較小，導致在遇到危險情況時，留給駕駛員的反應時間較短，如圖5所示，在不同類型的交通場景中，國內駕駛員的制動反應時間較短，綜合考慮車輛緊急制動所需時間，當前主流的AEB報警時間仍早于熟練駕駛員反應時間以及車輛制動/轉向所需時間，即在這些場景下，部分駕駛員仍可以通過轉向和制動來避免事故。

（2）縱向安全車距設置過大：

同上，國內駕駛員跟車間距較短，現有AEB的停車/減速后安全車距較大，對駕駛員而言過于保守。

（3）對小重疊率及相鄰近距離目標的安全余量設置過大：

以行人橫穿馬路場景為例，現有AEB系統為了優先保護行人安全，通常將人-車間距的安全余量預留較大，通常為人體寬度的50%甚至更大，所以在國內人車混流的典型場景中，包括行人在路邊等候或者行人快速穿越等場景，AEB功能誤報警/制動的幾率較大。

3? ? 仿真建模

本文利用Matlab/Simulink及PreScan軟件對AEB優化前和優化后進行了聯合仿真。PreScan是一款用于先進駕駛輔助系統和主動安全系統開發驗證的仿真工具，包含完整的環境建模要素，車輛模型，傳感器模型等。 如圖6所示，仿真模型主要包括環境模型、車輛動力學模型、AEB/FCW控制模型、傳感器及其信號融合模型等。

4? ? 仿真分析

4.1 測試場景

本文測試場景包含C-NCAP測試場景以及國內典型交通工況提取出來的場景，C-NCAP測試場景如圖7所示。圖7（a）為車-車測試場景，展示了一種典型的跟車場景，即自車在不同車速下及目標車不同車速情況下的場景;圖7（b）為車-行人測試場景 ，行人自車輛遠端靠近;圖7（c）為車-行人測試場景 ，行人自車輛近端靠近。

4.2? ?仿真結果

在仿真模型中，根據競標車型的參考數據以及在研車型的技術特點，將AEB功能初始參數設置表3所示。根據仿真結果可知，初始AEB參數設置，可以滿足C-NCAP AEB測試場景的避撞要求，見表4-表5;但在典型誤動作測試場景中，如表6所示，由于AEB過早進行報警或制動干預，容易引起駕駛員的抱怨，甚至造成后車追尾等嚴重后果。

對于以上場景，部分車速變化曲線如圖8所示，從圖中可以看出，一旦AEB開始工作，車速出現明顯變化。

5? ? 優化設計

5.1? ?優化設計方案

為了減少AEB誤報警及誤制動，參考國內駕駛員典型駕駛行為統計數據，并以滿足C-NCAP星級評價為主要目標之一，將初始AEB參數優化如表7所示。

5.2? ?優化仿真結果

優化后的仿真結果顯示，由于AEB系統取消了半制動過程，僅保留報警和全力制動，報警時刻相對延后了，全力制動時間也明顯延后，與國內駕駛員典型特點較近，所有測試場景均未再出現誤報警和誤剎車，改善效果明顯。

圖9為AEB參數優化后的速度加速度曲線，從圖中可以看出，沒有誤報警和誤剎車情況下，車輛加速度和速度均沒有明顯變化，符合實際情況和駕駛員預期。

6? ?結論

本文統計了國內車型AEB功能誤動作的典型場景，結合AEB工作機理分析誤動作發生的主要原因，基于國內駕駛員典型駕駛習慣的統計分析，以減少誤動作并滿足C-NCAP星級評價等為開發目標進行優化設計，仿真結果顯示優化后的AEB功能對于不同交通場景、不同目標類型等具有良好的魯棒性，在滿足C-NCAP星級評價目標的前提下，有效減少誤動作比例。本文研究緊扣行業熱點，符合行業發展趨勢，統計分析、理論分析和仿真優化相結合，系統、高效地完成了對現有AEB功能的優化設計，為AEB功能及同類功能的正向開發提供了寶貴的工程實踐經驗。

參考文獻：

[1]王雪松，朱美新，邢祎倫.基于自然駕駛數據的避撞預警對跟車行為影響[J].同濟大學學報（自然科學版），2016，44（7）：1045-1051.

[2]Páez F， Javier， Sánchez S， et al. BENEFITS ASSESSMENT OF AUTOMATIC BRAKE ON REAL PEDESTRIAN COLLISIONS[C]// FISITA 2016 World Automotive Congress. 2016.

[3]Stellet J E， Vogt P， Schumacher J， et al. Analytical derivation of performance bounds of autonomous emergency brake systems[C]//Intelligent Vehicles Symposium. IEEE， 2016.

[4]Singer R A. Estimating optimal tracking filter performance for manned maneuvering targets[J]. IEEE Trans.aerosp. & Electron.syst， 1970，6（4）：473-483.

[5]周宏仁等.機動目標跟蹤[M].國防工業出版社，1991.

[6]Doi A， Butsuen T， Niibe T， et al. Development of a rear-end collision avoidance system with automatic brake control[J]. Jsae Review， 1994，15（4）：335-340.

[7]Fujita Y， Akuzawa K， Sato M. Radar Brake System[J].Jsae Review，1995，16（1）：113.

[8]Seiler P， Song B， Hedrick J K. Development of a Collision Avoidance System[J]Neurosurgery， 1998， 46（2）：492-492.

[9]SeungwukMoon， KyongsuYi. Human driving data-based design of a vehicle adaptive cruise control algorithm[J]. Vehicle System Dynamics， 2008， 46（8）：661-690.

[10]Yoshida H， Awano S， Nagai M， et al. Target Following Brake Control for Collision Avoidance Assist of Active Interface Vehicle[C]// SICE-ICASE， 2006. International Joint Conference.IEEE， 2007：4436-4439.