基于BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測的重型半掛汽車列車AEB控制策略研究

郭祥靖，孫 攀，鄧 杰，劉 勇，劉 壯，劉雙平

（東風(fēng)商用車技術(shù)中心，武漢430056）

前言

自動緊急制動系統(tǒng)（autonomous emergency braking，AEB）是一種高級輔助駕駛系統(tǒng)（advanced driver assistance system，ADAS）。它通過雷達、攝像頭等傳感器探測前方目標信息，實時計算碰撞危險程度，在決策到有碰撞的可能性時，系統(tǒng)會通過圖像和聲音等方式警告駕駛員進行碰撞規(guī)避，若已達到碰撞危險臨界值，而駕駛員尚未做出正確的反應(yīng)時，系統(tǒng)將對車輛進行主動制動，以避免碰撞的發(fā)生或減輕其損傷程度。

隨著我國商用車AEB的性能要求和試驗方法標準的發(fā)布，對推動AEB在商用車領(lǐng)域的發(fā)展與應(yīng)用起到了催化劑的作用。可以預(yù)見，重型牽引車、半掛車標配AEB的法規(guī)將很快出臺。目前，雖然AEB在國內(nèi)外研究較多，但多數(shù)偏重于乘用車，鮮有商用車領(lǐng)域的研究。與乘用車相比，半掛汽車列車具有質(zhì)心高、慣性大、制動距離長和車輪易抱死等特點，AEB的研究尤其重要。

臧寧寧等［1］提出了一種基于安全距離模型的商用車分級制動系統(tǒng)，并引入可調(diào)車間時距的概念，對不同車間時距所計算的碰撞時間進行了分析，結(jié)果表明，該控制系統(tǒng)能有效地避免碰撞的發(fā)生，提升了駕駛員使用體驗；馬玉喆等［2］基于安全距離模型和危險系數(shù)，設(shè)計了商用車多級預(yù)警和主動制動的控制系統(tǒng)，并通過彎道補償算法區(qū)分主車道與旁車道車輛，結(jié)果表明，該算法能有效避免對旁車道的誤制動，提高了彎道下汽車的主動安全性；楊為等［3］以某SUV為研究對象，并基于碰撞時間（time to collision，TTC）建立風(fēng)險評估模型，提出了一種上層模糊控制和下層PID控制的分層控制策略，仿真結(jié)果表明，該控制策略能正確向行人發(fā)出碰撞預(yù)警；黃舒?zhèn)サ龋?］基于深度強化學(xué)習(xí)，提出一種根據(jù)車輛安全狀態(tài)變化實時調(diào)整期望制動加速度的控制策略，該算法收斂性好，提高了車輛制動時的舒適性，但制動加速度會出現(xiàn)小幅震蕩；辜志強等［5］針對商用車AEB的下坡工況，采用BP神經(jīng)網(wǎng)絡(luò)算法對制動距離進行預(yù)測，通過硬件在環(huán)仿真驗證了其控制方法的有效性；Yang等［6］提出了一種上層基于模糊推理的BP前饋模糊神經(jīng)網(wǎng)絡(luò)算法以確定期望減速度，下層采用PID控制算法輸出制動壓力的AEB-P控制系統(tǒng)，仿真結(jié)果表明該控制系統(tǒng)能有效地避免碰撞事故的發(fā)生；蘭鳳崇等［7］建立了碰撞時間預(yù)警模型，并根據(jù)碰撞事故數(shù)據(jù)確定分級制動減速度閾值，最后在CarSim中搭建了仿真測試場景，結(jié)果表明，其控制策略能有效避免碰撞；Park等［8］基于雷達和攝像頭傳感器融合信息預(yù)測行人橫向位移，通過計算比較行人當前位置和預(yù)測位置的碰撞概率，對車輛進行提前制動，結(jié)果表明，最高車速40 km∕h行駛時，能有效避免碰撞事故的發(fā)生或減輕碰撞的后果；Kim等［9］提出了一種斜坡AEB系統(tǒng)，利用卡爾曼濾波器估算坡度并計算TTC，結(jié)果表明，其TTC比傳統(tǒng)TTC更短，觸發(fā)制動更快。

本文中提出一種基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC預(yù)警時間和碰撞時間閾值的風(fēng)險評估模型，并以上層模糊控制、下層前饋制動力分配與PID反饋控制，以及車輪最優(yōu)滑移率滑模變控制相結(jié)合的控制策略，最后利用TruckSim搭建AEB的3種典型試驗場景，通過與Simulink聯(lián)合仿真對控制策略進行了驗證。

1 碰撞預(yù)警模型

1.1 碰撞時間TTC的建立

基于時距的TTC模型算法應(yīng)用廣泛，包括SAE、NHTSA、ISO、Euro-NACP、C-NCAP和GB∕T 38186—2019。故本文中以TTC為風(fēng)險評估依據(jù)，根據(jù)預(yù)警時間和碰撞時間來觸發(fā)相應(yīng)報警和制動措施。TTC是指在同一路徑上同向行駛的兩車保持自身速度，直到碰撞發(fā)生所需要的時間。TTC的計算公式［10］為

式中：tTTC為碰撞時間；Δs、Δv、Δa分別為本車與前車的相對距離、相對速度和相對加速度。

1.2 BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC算法

TTC模型采用閾值觸發(fā)的優(yōu)勢在于控制策略可靠，且在大量數(shù)據(jù)的支持下有較好的效果。但對于AEB相對復(fù)雜的工況場景下，TTC閾值選取的準確性和通用性是極其關(guān)鍵的。

BP神經(jīng)網(wǎng)絡(luò)是按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)，采用最速下降法學(xué)習(xí)規(guī)則并反向輸入誤差，優(yōu)化網(wǎng)絡(luò)的權(quán)值和閾值，實現(xiàn)誤差平方和最小的網(wǎng)絡(luò)［11］。由式（1）可知，通常TTC的計算方法是根據(jù)本車與前車的相對距離、相對速度和相對加速度作為輸入，通過分段函數(shù)來計算不同碰撞場景的碰撞時間。但對于實際復(fù)雜的AEB場景而言，選取合適的TTC報警和觸發(fā)閾值是一項困難并極具經(jīng)驗性的任務(wù)。BP神經(jīng)網(wǎng)絡(luò)能夠以任意精度逼近任何非線性連續(xù)函數(shù)，對于求解復(fù)雜工況下的AEB報警和觸發(fā)閾值具有高度自學(xué)習(xí)和自適應(yīng)的能力，為后續(xù)AEB控制系統(tǒng)的精準觸發(fā)和執(zhí)行提供了前提條件。

歐盟新車安全評鑒協(xié)會（the European new car assessment programme，Euro NCAP）將AEB系統(tǒng)測試場景劃分為AEB城市、AEB城際和AEB行人3種場景。本文中針對前兩種測試場景進行AEB數(shù)據(jù)采集，城市測試工況主要為本車接近前方靜止前車工況，稱CCRs（car to car rear stationary）；城際測試工況主要包括CCRs、本車接近前方移動的前車CCRm（car to car rear moving）和本車接近前方制動的前車CCRb（car to car rear braking）3個測試工況。其中城際CCRs與城市CCRs基本相同，不再重復(fù)測試。本文中利用TruckSim搭建以上3種測試場景，并以不同車速、距離和減速度作為輸入條件進行仿真測試，最終獲取BP神經(jīng)網(wǎng)絡(luò)算法所需的數(shù)據(jù)。其中半掛汽車列車主要整車參數(shù)和場景設(shè)置如表1所示。

表1 整車參數(shù)與場景設(shè)置

上述所采用BP神經(jīng)網(wǎng)絡(luò)算法預(yù)測半掛汽車列車的預(yù)警和碰撞時間，通過TruckSim仿真場景中的數(shù)據(jù)作為輸入、輸出的數(shù)據(jù)樣本集，經(jīng)過函數(shù)訓(xùn)練后，得到不同AEB場景下報警和制動時間的TTC預(yù)測模型。

針對城市∕城際CCRs、城際CCRm和城際CCRs 3個工況，選取前車0～80 km∕h范圍內(nèi)9個梯度初始車速，本車30～80 km∕h范圍內(nèi)6個梯度初始車速，前車-5m∕s2～0范圍內(nèi)6個梯度初始減速度，本車與前車30～120 m范圍內(nèi)6個梯度初始相對距離，并以避撞結(jié)束后前車與本車相對距離至少大于2 m為有效數(shù)據(jù)，最終篩選出1 944組數(shù)據(jù)。上述數(shù)據(jù)利用BP神經(jīng)網(wǎng)絡(luò)算法進行訓(xùn)練，選取tansing訓(xùn)練函數(shù)，其中隱藏神經(jīng)元15個，訓(xùn)練次數(shù)5 000次，誤差0.001。BP神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練數(shù)據(jù)、驗證數(shù)據(jù)、測試數(shù)據(jù)和總體數(shù)據(jù)的回歸擬合程度如圖1所示，誤差分布如圖2所示。

由圖1可知，用于訓(xùn)練、驗證、測試和總體數(shù)據(jù)的目標值與預(yù)測值的相關(guān)性R值均基本約等于1，表明BP神經(jīng)網(wǎng)絡(luò)算法的預(yù)測模型擬合度較高，預(yù)測結(jié)果較為準確；由圖2可知，預(yù)測模型的誤差主要分布在-0.18%～0.21%之間，而在-1.55%～-0.18%和0.21%～2.17%兩個誤差區(qū)間的占比很小，故基于BP前饋神經(jīng)網(wǎng)絡(luò)算法得到的預(yù)測模型能有效地預(yù)測碰撞時間和制動時間。

圖1 BP神經(jīng)網(wǎng)絡(luò)算法數(shù)據(jù)的擬合狀況

圖2 BP神經(jīng)網(wǎng)絡(luò)算法誤差分布圖

2 半掛汽車列車AEB控制策略優(yōu)化設(shè)計

提出一種分類碰撞危險評估方法，當車輛油門開度為零、轉(zhuǎn)向盤轉(zhuǎn)角為零、車速大于等于30 km∕h、非倒擋、檢測到前方有車輛時，激活A(yù)EB系統(tǒng)；當TTC達到預(yù)警時間閾值時，進入風(fēng)險狀態(tài)I，在此狀態(tài)下車輛只對駕駛員進行聲音、燈光等警示；當TTC達到碰撞時間閾值時，進入風(fēng)險狀態(tài)II，在此狀態(tài)下AEB系統(tǒng)將對車輛進行緊急制動控制；經(jīng)過前兩個狀態(tài)后，前車停止或本車與前車的車速相等時，進入風(fēng)險狀態(tài)III，在此狀態(tài)下，若前車車輛停止，AEB系統(tǒng)將對車輛施加0.4 MPa的制動壓力；若本車與前車的車速相等，AEB系統(tǒng)將對本車輛施加風(fēng)險狀態(tài)II退出時刻的制動力，風(fēng)險狀態(tài)III中采取的制動措施，是為防止本車停止后處于坡道路面或本車油門踏板行程不為零導(dǎo)致的本車繼續(xù)行走可能帶來的風(fēng)險，且在一定程度上提高舒適性。

進入風(fēng)險狀態(tài)II時，本文提出一種基于上層模糊控制輸出期望制動減速度，下層前饋制動力分配控制、PID制動力反饋控制和車輪最優(yōu)滑移率的滑模控制的控制策略。

2.1 上層控制器

通常在AEB系統(tǒng)中，當觸發(fā)TTC制動閾值時，本車將進行全力緊急制動，由此帶來的強烈減速會對駕駛員和乘客造成身體的巨大沖擊。故如何提升AEB觸發(fā)制動時駕駛員和乘員的舒適性，避免制動力過大造成駕駛員的不適和對AEB功能的排斥，是AEB開發(fā)時須考慮的主要問題之一。

模糊控制是以模糊集理論、模糊語言變量和模糊邏輯推理為基礎(chǔ)的一種智能控制方法，它是從行為上模仿人的模糊推理和決策過程的一種智能控制方法，可用于解決過程控制中的非線性、強耦合時變和滯后等問題，具有很強的魯棒性和容錯能力。對于觸發(fā)AEB時期望減速度的確定，能兼顧避撞的有效性和駕駛員的舒適性。

為更精細地區(qū)分不同AEB場景下所需的期望減速度，引入3個具有代表性的變量作為模糊控制規(guī)則的輸入，即本車與前車的相對距離、相對速度和前車減速度；并結(jié)合1.2節(jié)得到不同場景下的TTC制動閾值，設(shè)計了AEB細分場景模糊控制。模糊規(guī)則基本遵循以下規(guī)則：當相對距離、相對速度和前車減速度均最大時，取最大的期望減速度；當相對距離和相對速度、前車減速度均最小時，取較大的期望減速度；當相對距離和相對速度最大，前車減速度最小時，取較大的期望減速度；當相對距離和相對速度最小，前車減速度最大時，取最大的期望減速度；當相對距離最大，相對速度和前車減速度最小時，取最小的期望減速度；當相對距離最小，相對速度和前車減速度最大時，取最大的期望減速度。

在保證安全的前提下，模糊控制規(guī)則以駕駛員的乘坐舒適性為參考。模糊控制器具體設(shè)置為：相對距離Δs的基本論域為［2，120］，語言變量分為NB（負大）、NM（負中）、NS（負小）、ZO（零）、PS（正小）、PM（正中）、PB（正大）；相對速度Δv的基本論域為［0，50］，語言變量的劃分與相對距離相同；前車減速度aEVT的基本論域為［0，5］，語言變量分為NB（負大）、ZO（零）、PB（正大）。最后對上述所有模糊控制的輸入輸出的基本論域做歸一化處理，模糊規(guī)則輸入輸出曲面如圖3～圖5所示。

圖3 期望減速度、相對距離和相對速度的模糊規(guī)則曲面

圖4 期望減速度、相對速度和前車減速度的模糊規(guī)則曲面

圖5 期望減速度、相對距離和前車減速度的模糊規(guī)則曲面

2.2 下層控制器

通過上層控制器得到的期望減速度，下層控制器采用前饋制動力分配和PID反饋控制相結(jié)合的方式，輸出各軸車輪的制動力，并基于最優(yōu)滑移率的滑模控制來提高輪胎附著力，保證車輛制動時的穩(wěn)定性和安全性。

2.2.1 前饋制動力分配

對于自動緊急制動系統(tǒng)，及時對車輛進行制動控制極其重要。本文中采用前饋控制，建立半掛汽車列車模型，通過上層控制器得到的期望減速度計算出半掛汽車列車各軸所需的制動力，從而減小跟蹤誤差，提高控制精度和系統(tǒng)響應(yīng)速度。

參照東風(fēng)某半掛汽車列車，具體為6×4牽引車和三軸箱式半掛車。為減小計算量，將牽引車的2個后軸簡化為1個軸，半掛車的3個軸簡化為1個軸來進行各軸制動力的計算分配。半掛汽車列車勻減速行駛受力如圖6和圖7所示。

圖6 牽引車勻減速行駛受力分析

圖7 半掛車勻減速行駛受力分析

牽引車縱向受力平衡：

半掛車縱向受力平衡：

牽引車垂向受力平衡：

半掛車垂向受力平衡：

對牽引車前軸力矩平衡：

對半掛車前軸力矩平衡：

式中：Fx1、Fx2、Fx3分別為制動時牽引車牽引車前軸、后軸及半掛車車軸的縱向制動力，N；Fz1、Fz2、Fz3為各軸車輪所受地面垂向力，N；Fx4和Fz4分別為鉸接處的縱向作用力和垂向作用力，N；m1、m2分別為牽引車和半掛車的質(zhì)量，kg；a為半掛汽車列車的縱向減速度，m∕s2；g為重力加速度，m∕s2；l1為牽引車軸距，m；c1為牽引車質(zhì)心到前軸的縱向距離，m；b為牽引車后軸到鉸接點的縱向距離，m；h1為牽引車質(zhì)心到地面的垂向距離，m；hs為鉸接點到地面的垂向距離，m；l2為半掛車車軸到鉸接點的縱向距離，m；c2為半掛車質(zhì)心到鉸接點的縱向距離，m；h2為半掛車質(zhì)心到地面的垂向距離，m。

理想的制動力分配策略是各車輪的利用附著系數(shù)均相同，即

式中：Zi為第i軸車輪利用附著系數(shù)；Zdes為由上層控制器輸出的期望減速度ades轉(zhuǎn)化得到車輪期望的制動強度；Fzi為第i軸垂向力，N；Fxi（i=1，2，3）為第i軸縱向制動力，N。

由式（2）～式（7）可得

式中Fxi_des（i=1，2，3）為第i軸期望前饋縱向制動力，N。

由于AEB系統(tǒng)功能屬于縱向控制，本文忽略側(cè)傾、橫擺方向運動所帶來的左右車輪載荷變化，因此可認為同軸左右車輪的制動力相等；同時認為，簡化后的牽引車后軸制動力可平均分配至牽引車實際的兩個后軸，半掛車亦如此。故由式（10）～式（12）可得半掛汽車列車各車輪期望的制動力：

式中Fi_des(i=1，2，3，···，12)為第i個車輪期望的制動力，N。

利用TruckSim軟件中的制動器模型數(shù)據(jù)，由期望制動力通過查表可得各車輪期望的制動壓力pi_des為

式中K為制動器效能因素。

2.2.2 PID反饋控制

為進一步提高控制精度，減小誤差和系統(tǒng)干擾，采用PID控制器進行整車減速度的反饋控制，具體以整車期望的減速度與實際減速度的偏差為輸入，通過PID反饋調(diào)節(jié)，得到各軸車輪的制動氣壓增量。以前軸車輪為例，前軸車輪期望的制動氣壓增量為

式中Kp、KI、KD為PID控制參數(shù)。

2.3 滑模變結(jié)構(gòu)控制器設(shè)計

半掛汽車列車由于其質(zhì)心高、載質(zhì)量大、輪胎易抱死等特點，在道路上行駛進行緊急制動時，易發(fā)生側(cè)滑、折疊、擺震等橫向穩(wěn)定性問題，故提高車輛的附著力，對車輛各軸車輪進行最優(yōu)滑移率控制極其重要。基于雙線性模型，建立半掛汽車列車各車輪滑移率滑模控制模型。

2.3.1 單輪車輛制動模型

忽略空氣阻力和車輪滾動阻力，建立車輛的單輪模型，即1∕4車輛模型［12］，僅考慮車輛縱向運動和車輪繞自軸的轉(zhuǎn)動，車輛制動過程中的車輪受力情況如圖8所示。

圖8 單輪模型車輪受力分析

其縱向動力學(xué)方程為

式中：m為1∕4車輛模型質(zhì)量，kg；vx為整車速度，m∕s；Fx為車輪縱向摩擦力，N；μf為輪胎縱向附著系數(shù)；J為車輪轉(zhuǎn)動慣量，kg·m2；ω為車輪角速度，rad∕s；r為車輪滾動半徑，m；Fz=mg為車輪地面垂向支撐力，N；Tb為制動力矩，N·m。

采用雙線性模型來簡化車輪附著力模型：

式中：λdes為輪胎最優(yōu)滑移率；μz為縱向峰值附著系數(shù)；μh為滑移率等于100%時的縱向附著系數(shù)。

定義制動時的滑移率為

對式（22）求導(dǎo)可得

2.3.2 車輪滑移率滑模控制

通常情況下，滑移率在25%左右時，車輪附著力能達到最大附著力，故本文選取25%的最優(yōu)滑移率作為目標，且當車輪滑移率大于80%時觸發(fā)滑移率控制。制動過程中，輪胎與路面之間的摩擦特性導(dǎo)致防抱死系統(tǒng)具有非常明顯的非線性、時變性和不確定性；而滑模變結(jié)構(gòu)控制具有快速響應(yīng)、對參數(shù)變化與擾動不靈敏、無需系統(tǒng)在線辨識和物理實現(xiàn)簡單等優(yōu)點［13］，它能很好地滿足防抱死系統(tǒng)特性的要求。由ABS的基本原理可知，其制動過程的本質(zhì)就是將車輪的縱向滑移率控制在最大地面附著系數(shù)對應(yīng)的滑移率，因此，定義控制器的跟蹤誤差e為

定義滑模變結(jié)構(gòu)控制的切換函數(shù)s為

式中：c為大于零的常數(shù)；t為時間，s。

對式（24）和式（25）求導(dǎo)并整理得

滑模變結(jié)構(gòu)控制采用冪次趨近律：

式中：k和α皆為系數(shù)，它們決定控制律的收斂速度，k＞0，0＜α＜1；sgn（·）為符號函數(shù)。

由上述各式可得滑模變結(jié)構(gòu)控制單個車輪的控制律為

3 控制策略驗證

為驗證上述控制策略的有效性，在TruckSim中搭建了半掛汽車列車AEB測試場景。主要驗證內(nèi)容有：BP神經(jīng)網(wǎng)絡(luò)預(yù)測TTC閾值模型的有效性驗證；上層期望減速度控制策略的驗證；下層制動力優(yōu)化分配控制策略驗證。

3.1 CCRs場景工況測試

設(shè)置本車初始車速為60 km∕h，初始距離為100 m，前車初始車速為0，前車減速度為0。

由圖9和圖10可知，在1.1 s時進入風(fēng)險狀態(tài)I，持續(xù)2.6 s，在3.7～8.2 s之間進行了自動緊急制動控制，制動距離為29.9 m；由圖11可知，在3.7 s前，本車以60 km∕h的車速勻速行駛，進入風(fēng)險狀態(tài)II后，車速在8.2 s時降至0；其中期望最大制動減速度為-5.6 m∕s2，實際最大制動減速度為-5.84 m∕s2，誤差0.24 m∕s2，系統(tǒng)及時響應(yīng)，延遲0.16 s；由圖12和圖13可知，未加入滑移率滑模控制時，牽引車前軸、后軸各車輪處于風(fēng)險狀態(tài)II中，制動完全抱死狀態(tài)；加入控制后，牽引車前軸、后軸各車輪在滑移率大于80%時觸發(fā)滑移率滑模控制，其間基本維持在設(shè)定的最優(yōu)滑移率25%左右，極大地提高了半掛汽車列車緊急制動時的橫向穩(wěn)定性。

圖9 相對距離與風(fēng)險狀態(tài)

圖10 本車與前車的車速對比

圖11 本車制動減速度對比

圖12 無滑移率滑模控制時各車輪滑移率

圖13 有滑移率滑模控制時各車輪滑移率

3.2 CCRm場景工況測試

設(shè)置本車初始車速60 km∕h，初始距離100 m，前車初始車速30 km∕h，前車減速度為0。

由圖14、圖15可知，在5.1s時進入風(fēng)險狀態(tài)II，其間制動距離為23 m；在11.3 s時本車與前車車速相等，隨之進入風(fēng)險狀態(tài)III；由圖16可知，進入風(fēng)險狀態(tài)III時，實際減速度與風(fēng)險狀態(tài)II最后一刻的期望減速度基本相同，以此提高乘坐舒適性，并在17.3 s使車輛減速至停車；由圖17、圖18可知，加入滑移率滑模控制后，牽引車前軸、后軸各車輪在滑移率在風(fēng)險狀態(tài)II期間，基本保持在期望的最優(yōu)滑移率25%左右。

圖14 相對距離與風(fēng)險狀態(tài)

圖15 本車與前車的車速對比

圖16 本車制動減速度對比

圖17 無滑移率滑模控制時各車輪滑移率

圖18 有滑移率滑模控制時各車輪滑移率

3.3 CCRb場景工況測試

設(shè)置本車初始車速60 km∕h，初始距離30 m，前車初始車速60 km∕h，前車減速度5 m∕s2。

由圖19可知，在5.5 s時進入風(fēng)險狀態(tài)II，總共制動時間3.6 s，最終與前車距離3.9 m，有效避免碰撞；由圖20和圖21可知，期望減速度最大值為-4.9 m∕s2，大概持續(xù)2.1 s，整個制動過程車速從60 km∕h降至0，持續(xù)3.8 s；由圖22和圖23可知，加入滑移率滑模控制后，牽引車前軸、后軸各車輪處在風(fēng)險狀態(tài)II期間，基本保持在期望的最優(yōu)滑移率25%左右，由于半掛車各車輪滑移率低于觸發(fā)值80%，故并未激活滑移率滑模控制。

圖19 相對距離與風(fēng)險狀態(tài)

圖20 本車與前車的車速對比

圖21 本車制動減速度對比

圖22 無滑移率滑模控制時各車輪滑移率

圖23 有滑移率滑模控制時各車輪滑移率

4 結(jié)論

（1）利用TruckSim搭建自動緊急制動系統(tǒng)測試的3種典型場景，以半掛汽車列車為測試對象進行了不同車速、減速度和相對距離下的仿真測試，最終得到1 944組有效數(shù)據(jù)。

（2）利用TruckSim仿真數(shù)據(jù)，基于BP神經(jīng)網(wǎng)絡(luò)算法，建立了自動緊急制動系統(tǒng)的TTC預(yù)警和碰撞時間閾值模型。結(jié)果表明：該算法能有效擬合數(shù)據(jù)進而提出了不同風(fēng)險狀態(tài)碰撞危險評估的方法；在自動緊急制動系統(tǒng)激活時，上層控制器由模糊控制得到期望的減速度，下層控制器由前饋控制和PID反饋控制得到各軸車輪所需的制動力，并進一步基于車輪最優(yōu)滑移率滑模控制得到各車輪的制動力。仿真結(jié)果表明：BP前饋神經(jīng)網(wǎng)絡(luò)算法能較好預(yù)測自動緊急制動系統(tǒng)的預(yù)警和碰撞時間，提高了碰撞危險狀態(tài)評估的準確性；上層模糊控制針對不同自動緊急制動場景輸出了線性平緩的期望減速度，提高了制動狀態(tài)下的舒適性；下層前饋控制和PID反饋控制及時對車輛進行了有效的制動控制，并在最優(yōu)滑移率滑模控制下提高了輪胎附著力和整車的橫向穩(wěn)定性及安全性。