基于改進安全距離模型的人機協同縱向避撞研究*

趙林峰，張丁之，王慧然，陳無畏，王其東，，朱茂飛

（1. 合肥工業大學汽車與交通工程學院，合肥 230009；2. 合肥學院機械工程系，合肥 230601）

前言

主動制動作為智能駕駛的核心技術，已逐步成為當前研究的一大熱點，目前主要采用線控助力器或基于液壓控制單元（hydraulic control unit，HCU）主動調節制動壓力，輔助駕駛員控制車輛，減少駕駛員因注意力不集中、疲勞或魯莽駕駛等原因引起的縱向碰撞。

為優化主動制動縱向避撞效果，目前，國內外學者針對AEB 制動決策控制方面取得了一些研究成果。Na 等建立駕駛員和避撞系統模型，采用博弈論思想和分布式模型預測控制方法實現車輛避撞的最優控制［1］。Anderson 等通過駕駛員對視覺和觸覺反饋的感知，由駕駛員和MPC 控制器輸出不同的力矩，研究人機協同避撞策略［2-3］。Kang 等采取動態窗口法解決動態避障問題時，采用一條給定曲線來模擬駕駛員的避障意圖，通過非線性模型預測控制器跟隨駕駛員期望路徑，達到避障效果［4］。張亮修等搭建基于車輛運動的縱-側-垂向耦合特性的14 自由度整車模型，運用模型匹配控制理論設計ACC 系統分層控制器，實現車輛在多工況下的穩定跟隨［5］。章軍輝等針對復雜路面提出基于駕駛員特性的自適應縱向避撞安全輔助算法，建立了基于BP神經網絡的閉環跟馳模型，提高了對不同駕駛群體的適應性［6］。胡滿江等基于模型預測控制對縱向多車協同避撞進行研究，提出了一種相對動能密度的概念，將參與避撞的車輛隊列作為一個整體，提高了制動空間利用率［7］。

由于受現有技術、法規等因素制約，僅優化主動制動系統決策控制方面難以達到預期縱向避障效果，需要對底層制動液壓力執行策略與機械結構方面進行改進優化。余卓平等提出了一種高安全的電子液壓制動系統機械結構，并設計自適應摩擦模型補償電子液壓制動系統摩擦力，提高了在不同工況下的主動制動控制精度［8］。Wang 等設計了一種能同時實現主動制動控制和制動助力的新型電動助力器，并針對該系統提出了一種自適應雙閉環的制動液壓力控制結構［9］。

綜上可知，目前國內外關于縱向避撞的研究大多是通過優化避撞控制決策，或通過提升制動力的底層執行精度改進避撞效果，未考慮在縱向緊急主動避障中制動平穩性對乘坐人員的影響，較大的制動減速度與制動減速度變化率會使乘坐人員感到不適。另外，對于縱向安全的研究主要集中在主動制動系統的本身，對縱向的人機協同控制研究較少。

制動平穩性通過制動縱向減速度的變化率與絕對值進行體現。本文中針對在縱向避撞中的平穩性問題，提出了一種改進的安全距離模型；針對人機協同控制問題，為實現智能駕駛控制模式的柔性調度和人機駕駛權的平滑分配，提出了一種基于可拓理論的駕駛員制動意圖與主動制動系統協同控制的策略，并基于徑向基函數網絡實現期望制動液壓力的預測；然后基于一種可提供良好制動液壓力執行效果的新型分立的線控助力器和HCU 組合的主動制動方案進行硬件在環的試驗驗證分析。

1 參考模型的建立

1.1 駕駛員行為分析

通常情況下，車輛的制動過程為：駕駛員識別前方的交通狀況，及時判斷并作出制動操作，車輛完成制動至危險解除。因此，車輛的制動過程可以用圖1來表示。

圖1 制動過程分析

汽車制動過程可以細分為如下幾部分。

（1）駕駛員反應時間，其包括為：駕駛員實時觀察前方行駛環境，從分析判斷并采取相應制動措施的這段時間，記作t1；將右腳移至制動踏板并踩下的這段時間，也稱為駕駛員移腳，記作t2。駕駛員反應時間與其年齡、駕齡等多種因素相關，參照文獻［10］，取平均值t1= 0.18 s，t2= 0.25 s。

（2）駕駛員踩下制動踏板到產生制動力的時間，記作t3。參照文獻［10］，液壓制動通常取值t3= 0.6 s。

（3）制動減速度增長時間，即產生的制動壓力從零增加到期望值所需的時間，記作t4。

（4）制動持續時間：制動力維持在期望值附近并保證車輛穩定減速至停止的一段時間，記為t5。

1.2 線控制動系統建模

參照文獻［11］中所分析的電子液壓制動系統原理，本文中設計了線控制動系統試驗方案，如圖2 所示。其主要包括以下幾個部分：電子制動踏板、線控助力器（包括電動機及減速機構）、制動主缸、液壓控制單元、制動組件、控制系統和壓力傳感器。駕駛員制動輸入以電子制動踏板為載體，通過直流電動機的電流控制，經由減速機構的轉化作用于主缸推桿，實現主缸內壓力控制。

圖2 系統工作原理

制動踏板可以接收駕駛員操縱信號，控制器驅動電動機建立制動壓力；但如果未接收到駕駛員操縱信號，而系統需要進入主動制動模式時，控制器根據車輛主動制動請求，控制電動機自行建立制動壓力，實現主動制動。線控助力器可抽象為電動機模型和傳動機構模型。

（1）電動機模型

直流電動機的輸入和輸出特性可以簡單表示為

式中：Jm為電動機轉動慣量；θm為電動機轉角；Tm為電動機電磁轉矩；bm為電動機阻尼系數；Ta為有效輸出轉矩；Ua為電動機電樞電壓；R為電樞電阻；L為電樞電感；Ia為電動機電流；Ke為電動機反電動勢常數；Kt為電動機轉矩常數；t為時間。

（2）傳動機構模型

電動機輸出轉矩經減速機構傳遞到主缸推桿上，控制液壓系統建壓。對傳動機構進行分析如下：

式中：mr為主缸推桿質量；xr為主缸推桿位移；br為阻尼系數；rp為小齒輪節圓半徑；Ta為電動機輸出轉矩；p為主缸制動壓力；S為主缸橫截面積。

1.3 制動縱向力與制動減速度

制動縱向力通過加載到制動輪缸的液壓力推動制動鉗夾緊實現。首先建立車輪運動方程：

式中：Jw為車輪總轉動慣量；Td為車輪總驅動力；Tb為通過液壓力加載到車輪上的總制動力矩；Rw為車輪半徑；Fy為車輛制動過程所受的縱向力；ω為車輪輪速。

制動過程中車輛Td=0，Tb可通過如下方程進行描述：

式中：Sw為制動輪缸截面積；C為由制動蹄面積Aw、摩擦片摩擦因數uw和制動蹄距輪心距離Rw等結構參數決定的系數，可表示為C=AwuwRw。因此車輛制動縱向力Fy可由如下方程進行描述：

制動減速度ay可由如下方程進行描述：

式中M為整車質量。

1.4 改進安全距離模型

常見的公路場景如圖3 所示。自車左側存在障礙物，交通狀況擁擠，不滿足換道條件。本文中基于此場景，研究如何通過人機協調控制實現縱向行駛安全。

圖3 車輛避撞場景

設自車與前車在同一車道上行駛，在自車的制動剎那，兩車的相對距離為D。在采取制動的一段時間之后，自車行駛距離為Sa，前車行駛距離為Sb，此時兩車相對距離為d0，制動示意圖如圖4所示。

圖4 制動示意圖

依據上述假設，安全距離公式為

參照圖4建立避撞模型，建立依據如下。

（1）定義前車以最大制動減速度進行制動，后車經過一個預設反應時間后以最大制動減速度制動，使自車避免碰撞于前車時，為極限工況。在極限工況下，自車以速度v1行駛且以最大減速度a1max進行制動到停止時，所經過的距離L1為

（2）在極限工況下，前車以速度v2行駛且以最大減速度a2max進行制動到停止時，所經過的距離L2為

（3）在極限工況下，自車和前車制動結束后，兩車的極限位移差L3為

（4）補償極限位移差L3得到前向預警距離和臨界制動距離，其補償方法包括：補償自車和前車之間應預留的最小安全距離d0；補償自車和前車在制動時的制動反應距離d1；補償由于兩車的相對速度差變化引起的差值距離d2；除差值距離外，補償自車和前車因受制動器和路面附著系數約束而引起差值距離d3。

故前向預警距離Dw和臨界制動距離Dbr為

其中：

式中：μ為路面附著系數；c為模型參數；δ為駕駛員和制動器作用延遲時間；vrel=v1-v2。駕駛員和制動器作用延遲時間δ取值0.6。基于實驗測試結果，得到優化參數c= 0.3。考慮到傳統距離模型的最小安全間距d0為固定值，依經驗取值2～5 m。實際上，最小安全間距d0與路面附著系數成反比例關系，與車速成正比例關系。顯然，車輛在干燥路面行駛時，由于路面附著系數大，制動效果好，因此安全距離要求小；車輛在濕滑路面行駛時，由于路面附著系數小，車輛易打滑，安全距離應適當增大。制動平穩性通過制動縱向減速度的變化率與絕對值進行體現，為改善制動平穩性，本文中定義了可變最小安全距離。

再者，安全距離的保持是一個動態過程，應充分考慮到兩車的相對速度差，而不應該僅僅依賴于自車速度v1的變化。值得注意，相對速度差vrel越大，所需保持車間距離越大；且相對速度差vrel相同時，車速越高，所需保持車間距離也應越大。因此，考慮到行駛的安全性，本文中引入間距系數τv。獲得方式為通過對文獻［12］中的緩沖距離參數進行改進，在CarSim 中進行不同制動安全距離下的AEB 仿真，確定制動安全距離與不同vrel、v1之間的對應關系，采集仿真數據并進行擬合，如式（15）所示。另針對d3的求取，基于間距系數τv得到τs=τv+ 0.5(v1-v2)。

綜上，得出車輛前向預警表達式和車輛臨界制動表達式：

式中：a1為自車減速度；a2為前車減速度。

2 控制系統結構

采用可拓理論劃分動態安全邊界，并將其運用于車輛縱向控制上，既能協調人機共駕的權值分配，又能改善常規制動時固定、突變制動壓力所帶來的較差乘坐舒適度。

本文中提出了可拓決策和神經網絡結合的縱向避撞系統，分為感知層、決策層和執行層，如圖5所示。

圖5 縱向避撞系統結構

電子控制單元（ECU）根據傳感器采集的運動數據，計算出自車和前車的實時車速、路面附著系數等信息。采用可拓理論，按照車輛行駛狀態劃分不同的域，根據車輛在不同域中的危險程度，采用不同的駕駛模式，如圖6所示。

圖6 可拓集合劃分

圖6中，主特征量Si是兩車實際距離的倒數，副特征量TTCi是碰撞時間的倒數。其中經典域內對應無縱向碰撞危險，駕駛員可以自由行駛，輔助系統均不干預；可拓域內車輛有發生碰撞的風險，若駕駛員自由駕駛可能會發生危險，此時采取協調制動策略，駕駛員把握有行駛主動權，主動制動系統對駕駛員的操作進行壓力補償，既保證了駕駛員的操縱又減小了縱向碰撞的風險；非域內若不采取制動措施，難以避免發生碰撞，故此時必須改變控制策略，主動制動系統接管控制權。特別的，為了避免主動制動系統的頻繁干預，故一旦介入，則希望車輛以一個變化率較小的制動減速度進行避撞。

3 控制器設計

對于縱向避撞系統，既要減輕駕駛員的駕駛負擔、保證行車安全，也要改善制動平穩性。因此，對于主動制動系統的設計，引入兩個重要參數：介入時間；介入力度。其中介入時間也即介入時機，通過上層控制器獲得；介入力度也即主動制動液壓制動力，通過上層控制器確定人機權重，并與下層控制器進行加權確定。

3.1 上層控制器設計

介入時間的選擇，直接影響主動制動執行效果。過早的系統介入會影響駕駛員的正常駕駛，干擾駕駛員的駕駛行為，降低駕駛員的接收度。過晚介入則可能會影響行駛安全性，導致碰撞的風險。為驗證良好的介入策略，本文中采用可拓決策控制策略，既可以實現不同介入時間的工作模式切換，也可以獲得基于介入時間計算的人機權重，如圖7所示。

圖7 二維可拓集合可拓距變換

可拓決策控制的建立過程如下。

（1）選取主、副特征量。為了使可拓集合中經典域、可拓域的邊界與縱向跟馳危險邊界相一致，選擇兩車實際距離的倒數Si作為主特征量，碰撞時間的倒數TTCi作為副特征量。

（2）劃分可拓集合。選取Si為橫坐標，TTCi為縱坐標，做二維可拓集合，并將其劃分為經典域、可拓域和非域。

經典域中駕駛員具有優先操縱權，且當兩車實際間距或碰撞時間處于可拓域內時，輔助系統才參與控制，因此不會對駕駛員的正常操作產生干預。考慮到駕駛員的接收程度和安全性，選取前文設計的預警距離的倒數為經典域與可拓域的邊界Si1，臨界制動距離的倒數為可拓域與非域的邊界Si2，即

車輛碰撞時間TTCi對Si起輔助作用，防止Si出現極值導致系統不穩定，頻繁在多個模式間切換。參照文獻［13］，取TTCiA= 1/5，TTCiB= 1/3。

（3）關聯函數計算。參照文獻［14］中關于可拓距和關聯函數的求解方式，將二維集合中可拓距進行轉換。

在二維可拓集合中，原點O(0，0)為特征狀態的最優點。則可拓集上任意一點P3與最優點可形成最短距離|OP3|。該線段所在直線交經典域邊界于O、P1點，交可拓域邊界于P1、P2點。在保證P3趨近于原點距離最短的前提條件下，根據這些交點即可確定P3與可拓域、經典域的最近距離。

確定P3點與劃分區間的可拓距為（以區間為例）：

確定關聯函數：

其中：

（4）工作模式劃分。以關聯函數K(P)將本文縱向避撞系統工作模式劃分如下。

當K(P) ≥1 時，特征狀態S(x，y)處在經典域中，此時車輛無縱向碰撞風險，車輛處于駕駛員自由駕駛模式下。

當0 ≤K(P) < 1 時，特征狀態S(x，y)處于可拓域中，此時有發生碰撞的可能，以駕駛員為主，且同時系統輔助制動，幫助車輛減速。通過可拓決策關聯函數計算值作為人機權重，并與下層控制器輸出值進行加權計算，獲得最終的輔助制動執行液壓力。

當K(P) < 0 時，特征狀態S(x，y)處于非域中。此時主動制動系統接管制動權，控制制動安全，保證制動過程平穩性。通過執行下層控制器輸出制動液壓力值進行主動制動。

3.2 下層控制器設計

下層控制包括主動制動模式的徑向基函數網絡控制器和協調制動模式的人機協調控制器。

3.2.1 徑向基函數網絡控制器

（1）神經網絡設計

選取徑向基函數網絡作為主動制動系統控制器。基于前文避撞模型，對網絡模型進行訓練，在穩態跟車過程中對不同的運動狀態學習，建立起非線性輸入輸出映射關系庫，進而預測出下一時刻的理想制動壓力。

設實際輸出為Yk=[yk1，yk2，...，ykj，...，ykJ]，J為輸出單元的個數，表示第k個輸入向量產生的輸出。當輸入訓練樣本Xk時，網絡第j個輸出神經元結果為

本文中選取高斯函數為基函數，則φ(Xk，Xi)可以表示為

（2）學習算法

本文中選取有監督選取中心，定義代價函數：

式中：E為某一個輸出節點的誤差；N為訓練樣本個數；ek為輸入第k個訓練樣本所得結果與期望結果之間的誤差。

式中I為隱含節點的個數。學習時，尋找網絡的自由參數ti、ωi，使代價函數E最小。當采用梯度下降法實現時，網絡參數優化計算公式如下。

輸出權值ωi：

隱含層的中心ti：

隱含層的中心擴展Si：

神經網絡模型分為3 層，包括輸入層、隱含層和輸出層。其結構如圖8所示，其中，Sc=Sa-Sb。

圖8 正則化徑向基網絡結構

（3）離線訓練

徑向基函數網絡基于預先設定的期望輸出，訓練時計算實際輸出與期望輸出之間的誤差，再根據誤差的大小和方向對網絡權值進行更新，反復調整誤差，直到誤差達到預期的精度為止。徑向基函數網絡訓練方案結構如圖9所示。

本文中應用CarSim 軟件針對幾種典型主動制動工況關于模型輸入和期望輸出聯合數組(v1，v2，Sc，μ，p)進行樣本數據采集，樣本數量由表1所示，其中各個典型工況下得到的樣本中有90%用作訓練，有10%的樣本用作驗證。訓練結果如圖10和圖11所示。

3.2.2 協調制動控制器

當特征狀態S(x，y)處于可拓域中，表明自車處于非安全狀態，需要減小駕駛員的輸入權重，增加助力系統的控制權重，對車輛輔助控制。

圖9 徑向基函數網絡訓練方案結構

表1 各工況下樣本數量

圖10 網絡誤差

圖11 誤差直方圖

隨著特征狀態S(x，y)遠離經典域，關聯函數K(p)會隨之減小，故駕駛員的掌控權逐步降低，恰好反映了駕駛員和助力系統的權限變化狀態。此時取駕駛員輸入權重γd=K(p)，主動助力制動控制器權重γm= 1-K(p)。

系統總制動壓力為

4 仿真結果和分析

為驗證所提方法的有效性，在CarSim/Simulink仿真環境下對車輛模型及控制算法進行建模和仿真驗證。

在CarSim 中建立整車動力學模型，自車選擇一款C?Class 級轎車，前方障礙車設置為B?Class 級轎車，CarSim輸出參數包括前車速度信息、自車距前方障礙車的距離信息和自車速度信息等。整車動力學參數如表2所示。

表2 整車動力學參數

4.1 仿真結果與分析

4.1.1 工況1：中速避撞

選取自車縱向速度60 km/h，前車縱向速度40 km/h，兩車初始相距30 m，目標車道寬3.5 m，路面附著系數μ= 0.8。假設由于疲勞駕駛，駕駛員在1.5 s后采取制動，仿真結果如圖12～圖17所示。

圖12 避撞距離和控制

圖13 TTCi控制

圖14 輸出制動壓力

圖15 人機協同分配權重

圖16 車間距離對比

圖17 制動減速度對比

參照文獻［15］，駕駛員制動力設定為1.8 MPa。圖12 表示所提模型的預警邊界和臨界制動邊界。在制動過程中易知，車速隨制動時間逐漸降低，時間與車速呈負相關，故而隨制動時間的不斷增加，自車車速不斷減小，安全邊界也在動態變化。仿真開始，兩車距離不斷縮小，且自車狀態逐步由經典域進入可拓域中。圖13 表示根據碰撞時間TTCi對危險程度的判斷。顯然，在可拓決策和神經網絡共同作用下，碰撞時間在達到最大值0.24 s時迅速下降，有效避免了碰撞的風險。圖14 表示運用可拓決策方法，合理分配駕駛員輸入和神經網絡控制器權重輸出下的實際制動壓力。可以看出：在1.02 s時，兩車實際間距24.57 m，低于預警距離24.59 m，車輛進入可拓域內，此刻駕駛員未作出及時反應，故輔助系統開始介入，受權值影響，制動壓力緩慢增加；在1.5 s時，駕駛員采取制動措施，通過對人機的權重分配，減輕輔助系統對駕駛員的影響，保證制動安全性，其分配關系如圖15 所示。圖16 為兩種方法的避撞效果對比。其中，傳統模型為不考慮制動加速度對制動平穩性影響的模型，即在AEB 主動制動過程中，僅對固定的期望主缸液壓制動力進行跟隨執行，在此工況下也即對1.8 MPa 的期望主缸液壓力階躍信號進行跟隨執行。不難看出，基于可拓決策和神經網絡的控制方法，在自車車速達到40 km/h 時，車間距離為16.51 m，與傳統模型相比減少了5.83 m，有效提高了跟車效率。圖17 所示為兩種模型的制動減速度對比，傳統模型的制動時間過短，且制動減速度抖動明顯。如上文所述，制動平穩性通過制動縱向減速度的變化率與絕對值進行體現。從圖17 中易知，相較于傳統模型，基于改進安全距離模型的制動減速度的最大值、制動減速度的變化率方面都更小。采用可拓理論的平穩性安全距離模型，在保持滿足要求的制動減速度的前提下，制動減速度變化率小且減小了抖震，提高了制動平穩性，保證了行駛的舒適度。

4.1.2 工況2：高速避撞

選取自車縱向速度120 km/h，目標車道寬3.5 m，路面附著系數μ= 0.8。某一時刻，前車以速度100 km/h 緊急制動，制動減速度為-3.0 m/s2。此刻兩車相距85 m，2.0 s 后駕駛員反應并制動，仿真結果如圖18～圖23所示。

圖18 避撞距離和控制

圖19 TTCi控制

圖20 輸出制動壓力

圖21 人機協同分配權重

圖22 車間距離對比

圖23 制動減速度對比

根據文獻［15］，駕駛員制動力設定為3.0 MPa。圖18 是在高速情況下，所提模型的動態預警邊界和臨界制動邊界。由圖可知，自車初始位置處于可拓域內，在輔助系統和駕駛員的協調控制下，平緩過度到預警邊界之外。圖19 表示根據碰撞時間TTCi危險程度的判斷。對于高速緊急工況下，基于所提平穩性距離模型的判斷，碰撞時間未達到碰撞的預警標準0.2 s-1，更能保證行車安全。圖20 表示運用可拓決策方法，合理平衡了駕駛員輸入和神經網絡控制器輸入的制動壓力。可以看出，在避撞開始，輔助系統提供制動壓力，受權系數影響，平緩提高制動壓力。圖22 和圖23 是所提平穩性距離模型和傳統模型的對比。傳統模型的曲線，在此工況下也即對3 MPa 的期望主缸液壓力階躍信號進行跟隨執行后得到的仿真結果。基于改進模型，自車經過5.37 s解除危險（達到與前車相同速度），且此刻自車距離前車56.93 m，基于傳統模型，自車脫離危險所需時間為4.36 s，雖然制動時間縮短，但是制動減速度過于抖動，且兩車間距過大。如上文所述，制動平穩性通過制動縱向減速度的變化率與絕對值進行體現。從圖23 中易知，相較于傳統模型，基于改進安全距離模型的制動減速度的最大值、制動減速度的變化率方面都更小。故在高速行駛工況下，采用可拓理論的平穩性模型，在提供滿足安全要求的制動減速度的前提下，減小了制動減速度的變化率與抖震，提高了駕駛員的接受程度，也即提高了制動平穩性，保證了行車安全。

4.2 不同附著系數仿真對比

將工況1和工況2中的路面附著系數更改，其余條件不變，再次進行仿真。將其與高附條件進行對比，如圖24～圖27所示。

圖24 車間距離對比（工況1）

圖25 車間距離對比（工況2）

圖26 制動減速度對比（工況1）

圖27 制動減速度對比（工況2）

圖24為工況1 下，不同路面附著系數下的車間距對比，可見中速下車間距離差距不大。最小為16.48 m，最大為16.51 m。且無論在何種條件下，自車始終未進入非域之中，駕駛員接受程度好。圖25的高速情況下，低附制動結束車間距為44.09 m，中附制動結束間距為54.56 m，高附制動結束間距為56.93 m，最大相差12.84 m，車間距離保持在合理范圍內，故驗證了高速緊急制動的安全性。

圖26 和圖27 表示在中高速不同路面下的制動減速度情況。制動平穩性通過制動縱向減速度的變化率與絕對值進行體現。在基于安全的前提下，考慮到制動平穩性，對制動減速度提出要求：變化率較小；抖震較小。同時針對制動減速度絕對值對舒適性的影響，參照文獻［16］，在制動減速度不超過4 m/s2時，人體舒適感良好。故可得出，本文中所提縱向避撞策略，在保證安全性的同時，有效改善了制動過程的舒適度。

從圖25和圖27中可以看出，附著系數對制動平穩性與制動安全兩方面有較大影響。關于制動平穩性，如上文所述，制動平穩性通過制動縱向減速度的變化率與絕對值進行體現，然而，路面附著系數與制動減速度的絕對值上限正相關，故附著系數低對制動平穩性沒有負面影響，此處僅考慮制動安全即可。由上文中的兩種典型工況獲得的仿真結果可知，在高中低路面附著下，都可以實現預期的縱向避撞效果，也即有效保證制動安全。

5 硬件在環試驗

本文中采用CarSim/LabVIEW 軟件和NI?PXI RT平臺進行試驗，主要由上位機、PXI 機箱、DAQ 數據采集卡、電子制動踏板、電動機、減速機構和液壓系統等組成，如圖28所示。

圖28 線控制動試驗平臺

制動踏板可以接收駕駛員操縱信號，控制器驅動電動機建立制動壓力；若需要進入主動制動模式，系統可以在未接收到操縱信號時，根據車輛主動制動請求，控制電動機自行建立制動壓力，實現主動制動。分別對工況1和工況2設置虛擬仿真環境，并進行硬件在環試驗驗證。

基于傳統安全距離模型與改進安全距離模型，分別對工況1和工況2進行了硬件在環試驗，并將試驗結果與軟件環境純仿真結果進行對比，如表3 所示，可見硬件在環和仿真試驗對比基本相同，進一步驗證本文所提方法的有效性。

表3 硬件在環與仿真安全距離對比 m

圖29～圖34給出了不同工況下的硬件在環試驗的制動過程和制動減速度對比情況。可以看出，依據試驗結果，避撞效果與仿真相差不大。參照人機工程學理論［16］，將不同制動減速度對人體的乘坐舒適度指標分為4 個等級，如表4 所示。可以看出，本文所提控制方案有效改善了制動過程的平穩性。

圖29 工況1壓力跟隨

圖30 車間距離對比

圖31 制動減速度對比

圖33 車間距離對比

圖34 制動減速度對比

表4 人對汽車制動減速度敏感程度

6 結論

針對現有研究大多未考慮乘坐舒適度的情況，本文中綜合了兩車車速和路面附著系數等因素，通過分析制動減速度與平穩性的相關性，提出了一種考慮平穩性的安全距離模型；通過劃分動態預警邊界和臨界制動邊界，使車輛在不同工況下保持合適的車距和適宜的制動減速度，提高了駕乘人員的接受程度，在保證安全性的前提下，有效改善了車輛的平穩性。

針對智能車輛的縱向避撞問題，提供了一種人機協同制動的控制策略。以兩車實際間距和碰撞時間為依據，劃分經典域、可拓域和非域。不同域中分別采用自由駕駛模式、協調制動模式和主動制動模式；考慮到制動過程的復雜非線性特征，設計了徑向基神經網絡作為主動制動控制器，通過在不同域內人機駕駛權重的平滑分配，實現了智能駕駛控制的柔性調度。

通過CarSim/Simulink 聯合仿真和硬件在環試驗，驗證了本文所述方法的有效性和可行性。其在不同工況下控制效果均優于傳統模型。在一定程度上減輕了主動制動系統對于駕駛員的干擾，提供了一種應用于線控制動方向的人機交互思路。