智能網聯汽車主動避撞系統發展綜述*

王祎男 王迪 關瀛洲

（中國第一汽車股份有限公司研發總院，長春 100013）

主題詞：智能網聯汽車 主動安全 主動避撞

1 前言

碰撞事故一直是交通事故中占比最多、危害最大的事故類型，緩解和避免碰撞一直是汽車工程領域的重點研究方向[1]。近年來，隨著智能網聯汽車技術的快速發展，主動避撞成為整車企業、零部件供應商、科研機構解決碰撞問題的重要途徑[2]。伴隨著環境感知、決策規劃、控制執行等技術的進步，主動避撞系統得到漸進式發展，感知決策控制過程越發復雜，可應對的碰撞危險場景不斷增加[3]。

本文圍繞主動避撞系統進行綜述，對主流避撞系統進行分類，闡述各類主動避撞系統的原理，針對主動避撞技術涉及的環境感知、決策規劃、控制執行3 個方面的關鍵技術進行歸納與分析，梳理當前已量產的主動避撞產品，最后對主動避撞技術發展趨勢進行預測與洞見。

2 主動避撞系統分類

為實現特定危險場景下以主動控制方式輔助駕駛員緩解乃至避免碰撞的目的，主動避撞系統通過車載傳感器（攝像頭、雷達等）和車輛與外界（Vehicle to Everything，V2X）通信采集本車周圍一定范圍內的環境信息，并結合本車狀態信息，在系統電子控制單元（Electronic Control Unit，ECU）或域控制器中進行決策規劃，進而控制本車執行器實現主動避撞[4]。

主動避撞系統誕生至今，種類眾多，不同系統在硬件構成、軟件算法、應對場景等方面千差萬別。但根據最終的避撞控制方式，可將主動避撞系統分為制動避撞系統、轉向避撞系統、橫縱向協同避撞系統[5]。

2.1 制動避撞系統

制動避撞系統通過主動制動的方式緩解或避免本車與其感知范圍內危險目標的碰撞[6]。制動是最直接、最簡捷的避撞方式，適用于本車前、后向的碰撞。制動避撞的方式也決定了此類系統無論從感知布置、決策規劃還是控制執行上都是復雜度相對最低的，從而成為最早得到研究和搭載應用的主動避撞系統[7]。自動緊急制動（Automated Emergency Brake，AEB）系統作為制動避撞系統的主流產品，應用最為普遍，法規標準健全，成為新車標配功能已成必然趨勢[8]。

2.2 轉向避撞系統

轉向避撞系統通過控制車輛轉向系統，緊急避讓原有行駛路徑上的危險目標[9]。車輛作為具有時變性、非線性、隨機性的復雜動力學系統，結合路面條件和周圍環境，在臨碰撞的危險工況中，轉向避撞具有很高的路徑規劃和控制難度，極易造成控制失穩衍生二次事故[10]。這就對轉向避撞系統的感知、決策、控制在實時性、精確性、快速性等方面提出了更加苛刻的要求，由于轉向避撞在快速性、舒適性、靈活性、對后方車輛影響較小等方面的優勢，適用于諸多碰撞危險場景，尤其是本車車速較高的臨碰撞場景，因而轉向避撞得到越來越多的關注與研究[11]。緊急轉向輔助（Emergency Steering Support，ESS）系統和主動緊急轉向（Automatic Emergency Steering，AES）系統是目前已在某些高端車型上搭載的轉向避撞系統[12]。

2.3 橫縱向協同避撞系統

為了應對更加復雜的碰撞危險場景，以及實現更復雜的避撞路徑規劃與精準跟蹤，橫縱向協同避撞系統應運而生。該系統在避撞過程中分別通過控制制動、驅動和轉向系統，實現對本車速度和方向的精確控制，可實現多目標最優的避撞路徑規劃與跟蹤[13]。由于車輛橫縱向控制的耦合性，在路徑規劃和控制上難度比轉向避撞系統更大，目前已應用的橫縱向協同避撞系統非常少見，將轉向與制動進行協同以實現避撞是目前研究的主流方向[14]。

3 主動避撞核心技術研究現狀

各類主動避撞系統均包含環境感知、決策規劃、控制執行3項核心技術。隨著各項核心技術的不斷進步，各類主動避撞系統性能持續升級，可覆蓋的場景日益全面[15]。

3.1 環境感知技術研究現狀

對行車環境的精確、全面、實時感知是主動避撞系統實現避撞的前提。在主動避撞系統中，毫米波雷達、攝像頭、激光雷達、超聲波傳感器廣泛應用于環境感知。近年來，V2X 通信技術日益成熟，也被引入主動避撞系統作為獲取車外信息的方式[16]。

早期，由于傳感器性能和成本難以滿足車規和量產需求，整車難以搭載大量高性能傳感器，在有限的感知范圍和精度條件下，主動避撞系統可應對的碰撞場景也極其有限，大多只能支持制動避撞。早期AEB 等制動避撞系統多采用單傳感器方案，布置毫米波雷達或攝像頭實現車輛前向環境感知，主要應對車輛正前方的碰撞場景。單傳感器方案成本低，但是僅能應對直線行駛工況下的追尾前車、行人橫穿等簡單碰撞場景，而且毫米波雷達和攝像頭均有各自的缺陷。

毫米波雷達對車輛等金屬物體識別效果好，但對行人等非金屬目標因回波少而識別不準，這就導致基于毫米波雷達的主動避撞系統容易誤將井蓋、護欄等金屬物體誤識別為車輛，以及漏識別前方存在碰撞風險的行人，進而導致誤觸發、漏觸發[17]。單攝像頭方案多基于機器學習算法，將各類目標特征作為識別依據，以大規模正、負樣本作為輸入進行迭代訓練，獲取滿足識別準確率要求的分類器[18]，雖然可大幅提高對前方目標類型的識別準確率，但難以保證對目標位置的精確測量，尤其是較遠的目標，且攝像頭感知性能受光照、天氣影響嚴重[19]。

為了彌補單一傳感器方案存在的固有缺陷，并綜合利用不同傳感器的優勢，多傳感器融合的感知方案日益成為主流。以即將量產的飛凡R7為例，全車搭載33個感知硬件，如圖1所示，其中包括1個LUMINAR 1 550 nm激光雷達、2個Premium 4D成像雷達、4個增強版遠距離點云角雷達、12個超聲波雷達、12個800萬像素攝像頭、組合定位模塊、V2X通信模塊[20]。

圖1 飛凡R7感知布置方案[20]

目前，多傳感器融合技術的硬件水平已經滿足量產要求，多傳感器融合算法成為研究熱點。多傳感器融合算法主要分為傳統的隨機類算法和目前日益流行的人工智能算法。傳統隨機類算法多采用卡爾曼濾波（Kalman Filter）、加權平均、貝葉斯估計（Bayesian Estimation）等算法，將不同傳感器經處理后輸出的目標數據以一定的權重融合，從而確定目標類型、位置、運動狀態等信息。傳統的多傳感器融合算法雖然相對簡單、計算量小、對硬件性能需求低，但因不同傳感器對目標識別的結果不同，往往出現漏識別、不精確等問題，不能充分融合不同傳感器的優勢[21]。

隨著深度學習的持續發展，基于深度學習的多傳感器融合算法得到廣泛研究，與傳統多傳感器融合算法不同，基于深度學習的多傳感器融合算法首先將各傳感器的原始數據匯聚成數據集，進而主要采用數據級融合、特征級融合、決策級融合3 種方式確定目標參量[22]。其中，數據級融合先進行數據對齊、關聯、預處理等操作，而后進行特征提取得到目標信息。數據級融合的優勢是可保留原始數據中的目標信息，避免遺漏目標，實現多源數據相互補償，但也存在計算量大、數據異步異構、對硬件內存和算力要求高等問題[23]。特征級融合先對各傳感器采集的數據采用RoarNet（RegiOn Approximation Refinement Network）、AVOD（Aggregate View Obeject Detection）、MV3D（Multi-View 3D）、F-PointNet（Frustum PointNet）等深度學習網絡進行特征提取，進而對不同特征進行級聯或加權得到目標信息。特征級融合因其先對各傳感器的原始數據進行特征提取，使后續處理的數據量大幅減少，所以處理速度快、實時性高，但也存在細節丟失、精度較數據級融合差等問題。決策級融合先對各傳感器原始數據進行特征提取，分別得到各傳感器感知的目標信息后，進行融合處理輸出最終結果。決策級融合的優勢在于其良好的魯棒性，個別傳感器故障不影響依靠其他傳感器進行決策，且不涉及數據級的復雜融合過程，處理速度快。但決策級融合也存在與特征級融合類似的細節丟失、精度不足的問題[24]。

綜上，融合方式各有利弊，應根據傳感器組合方案和硬件內存、算力等性能進行選擇。隨著多傳感器融合硬件性能不斷提高，數據級融合以其原始信息全面、傳感器優勢充分互補的優勢將得到更多的應用。基于多傳感器融合的360°全方位、高精度的環境感知技術為制動避撞系統、轉向避撞系統、橫縱向協同避撞系統的深入研發與推廣應用創造了先決條件。

由于V2X 通信技術的引入，交通系統中的萬物互聯得以實現。環境感知突破了傳感器的物理極限，車輛與周圍物體可直接點對點信息交互，無需車載傳感器感知即可獲取碰撞危險目標信息，可大幅提高主動避撞系統危險識別的快速性與準確性。目前已有諸多基于V2X 通信的主動避撞研究，吉林大學王江鋒等基于V2V 通信實現前車駕駛意圖的共享，實現了84%的碰撞預警正確率[25]。清華大學楊剛針對三車道八車場景，通過V2V通信獲取場景內所有車輛信息，用于安全換道軌跡規劃與跟蹤[26]。重慶交通大學劉玢滟針對交叉路口場景，基于V2X 通信獲取車輛信息建立軌跡模型并分析沖突區域，實現了避撞預警[27]。但由于當前基于V2X 通信的智能網聯交通系統仍未成熟，帶有V2X通信的主動避撞系統實際應用為時尚早。

由于碰撞危險場景具有復雜性、突發性、隨機性，如果沒有全面、精準、實時的環境感知能力，就會導致主動避撞系統誤觸、漏觸頻發，甚至給乘員帶來更大的危險。所以不斷提升環境感知能力，是主動避撞系統不斷升級進化的前提。

3.2 決策規劃技術研究現狀

主動避撞系統通過決策規劃算法確定避撞過程對車輛的具體控制，以及避撞控制的觸發、中斷、抑制與退出。其中，碰撞危險評估和避撞路徑規劃是決策規劃的核心[28]。碰撞危險評估是確定避撞控制觸發時機的關鍵。

安全距離模型作為最經典的碰撞危險評估方法，得到了國內外的廣泛研究。目前，得到普遍應用的安全距離模型有車間時距模型、基于制動過程分析的安全距離模型、考慮駕駛員特性的安全距離模型[29]。

車間時距模型以“當前相對車速下距碰撞的時間”（Time to Collision，TTC）為危險量化指標，但TTC中僅涉及當前時刻的車間距離與相對車速，未考慮車輛與危險目標的相對加速度、車輛制動性能、駕駛員特性等要素，導致該指標無法準確反映大多數場景的危險程度，僅適用于低速碰撞危險場景，難以評估目標緊急制動等突發狀態變化的危險程度。在實際應用中，往往需要通過規模龐大的測試確定一系列較保守的功能觸發閾值，難以覆蓋全部工況，且容易使系統提早觸發[30]。

基于制動過程分析的安全距離模型將本車駕駛員反應延遲考慮在內，假設本車和目標作勻加速度運動，設定最小安全距離，實時估算立即執行避撞可達的車間距離，若該距離低于最小安全距離，則主動避撞控制介入。典型的模型有馬自達模型、本田模型等[31-32]，都假設本車和前方目標以最大減速度緊急制動，進而估算可保證最小安全距離的本車制動觸發時機。這類模型將碰撞危險強化，不適用于前車非緊急制動工況，往往導致系統觸發過早，且未將本車制動性能與作用過程建模，導致本車制動過程的運動狀態預測不準。

為了使客觀的危險評估與駕駛員的主觀危險感知相符，諸多研究將駕駛員特性融入安全距離模型。清華大學侯德藻等分析駕駛員在跟車過程中的駕駛行為，基于符合駕駛員習慣的跟停距離統計數據建立安全距離模型，從而實現避撞系統的觸發時機在駕駛員心理接受范圍內[33]。江蘇大學劉志強等同樣基于駕駛員跟車過程的各駕駛參數數據，建立反向傳播（Back Propagation，BP）神經網絡駕駛員制動行為模型，以前車加速度、相對距離、相對速度、TTC為輸入，輸出與駕駛員行為相符的本車加速度，用于主動避撞控制[34]。

現有的安全距離模型雖然可量化本車與目標間的危險程度，但是無法精確預測主動避撞介入后的過程，所以往往采用保守的觸發閾值，導致系統早觸發和誤觸發。隨著環境感知和控制執行軟硬件技術的發展，對目標狀態變化進行實時獲取與預測，以及對本車制動、轉向、驅動性能進行精準建模成為可能，碰撞危險評估算法必將越發準確地預測主動避撞介入后本車和目標的運動過程，從而確定精確滿足安全條件的觸發時機。

避撞路徑規劃主要應用于轉向避撞系統和橫縱向協同避撞系統，這2 類主動避撞系統涉及行駛路徑規劃，所以必須綜合多重因素對避撞過程中的車輛行駛路徑進行實時規劃[35]。

在碰撞危險場景中，基于對車輛周圍環境的動態精確感知，避撞路徑規劃算法需要在滿足距離、時間、能耗、安全、車輛動力學、執行器性能等一系列約束條件的前提下，實時求解出一條最優可行避撞路徑，供系統控制執行器進行路徑跟蹤[36]。由于碰撞危險場景內避撞時間有限，需要實時快速完成路徑規劃，多采用多項式表征避撞路徑，以較低運算量即可確定多項式各項系數[37]。北京理工大學姜巖等采用五次多項式表征避撞路徑，以不同的預瞄位置求解一系列路徑，并選擇最優的安全可行路徑進行跟蹤，基于此算法實現了16 km 越野環境和7 km 城市環境的自動駕駛[38]。此外，也有諸多研究采用其他路徑生成方法：斯坦福大學Joseph 等采用曲率連續的回旋曲線和圓弧組合表示緊急換道路徑[39]；湖南大學肖浩基于人工勢場理論建立危險斥力場模型，將本車與目標、道路邊界間的相互作用表征為障礙物邊界斥力、路邊界斥力、線性拉伸彈簧拉力共同作用的結果，通過局部路徑規劃算法求解使本車受力平衡的避撞路徑[40]；吉林大學江慶坤為適應復雜環境動態變化，采用快速搜索隨機樹（Rapidly-exploring Random Tree，RRT）算法求解滿足各項約束的最優軌跡[41]；中國科學院陳成等采用四階貝塞爾曲線表征避撞路徑，在動力學、起點、終點、連續曲率等約束下求解避撞軌跡[42]。

為了避撞路徑規劃算法的實際有效應用，具有良好實時性的基于多項式的路徑規劃算法得到廣泛采用。在保證避撞路徑規劃快速、可通行的前提下，更要考慮車輛動力學性能、各執行器控制性能，從而保證規劃的路徑可被精準跟蹤。

3.3 控制執行技術研究現狀

主動避撞系統的性能優劣最終取決于對決策規劃的執行效果。

在制動避撞系統中，雖然有諸多研究基于安全距離模型等算法實時求解期望制動減速度，進而控制本車制動系統執行，但在實際應用的AEB系統中，絕大多數制動控制策略以恒定緊急制動期望減速度執行避撞，或者采用輕、重2段恒定期望減速度執行避撞[43]。因為進入緊急制動工況后，車輛運動狀態劇烈變化，且本身具有較大慣性，加之制動系統性能限制，難以實現變制動強度下的安全距離控制。

在轉向避撞和橫縱向協同避撞系統中，需要控制線控底盤實現對避撞路徑的跟蹤。雖然PID 控制是目前應用于實際車輛控制的最實用、最廣泛的控制方法，但由于其脫離控制對象本身的動力學特性，且避撞控制本身難度高，對快速性、精確性、穩定性有很高要求，甚至涉及橫縱向協同控制，PID 控制方法在避撞控制中應用很難達到預期要求[44]。因而，諸多更復雜的控制方法應用于避撞路徑跟蹤控制。吉林大學田彥濤等設計了帶前饋補償的線性二次型調節器（Linear Quadratic Regulator，LQR）控制器，通過控制車輛跟蹤側偏角實現期望軌跡跟蹤[45]。Falcone 等基于模型預測控制理論建立路徑跟蹤控制器，協同控制車輛制動與轉向，實現了期望路徑的穩定、準確跟蹤[46]。吉林大學王御考慮線控底盤各執行器、輪胎力等復雜約束關系，建立多目標集成控制模型，通過控制驅動系統、制動系統、轉向系統實現輪胎力分配，從而實現了路徑跟蹤的快速響應[47]。Tian 等基于模糊PID 和滑模控制設計了側向主動避撞系統，上層控制器采用模糊PID 求解期望軌跡，下層控制器基于滑模控制直接對車輛橫擺角進行實時控制[48]。車輛在動力學上具有強非線性、時變性、隨機性，故主動避撞的路徑跟蹤控制模型的設計必須結合車輛動力學特性，在滿足各種約束條件下實現臨撞工況橫縱向協同的快速、精準、穩定控制[49]。

避撞路徑跟蹤控制方法的實際控制效果取決于執行器電控性能。具備快速、精準、穩定等優良電控性能的執行器可保證主動避撞系統更精確地實現預期的安全目標。

隨著電子穩定性控制（Electronic Stability Control，ESC）等電控制動系統和電動助力轉向（Electronic Power Steering，EPS）等電控轉向系統在制動、轉向控制上的性能提升，主動避撞系統可實現更精確的安全距離和避撞路徑跟蹤控制。在電控制動方面，博世的ESC系統產品已迭代至第9 代，通過標定可輸出需求的減速度，且響應延時低于500 ms，并能保證不同車速下響應的一致性與穩定性，可支持制動避撞系統的精準距離控制[50]。菲格科技智能電子制動產品iBooster成功搭載于長城坦克600，其緊急制動響應時間低于150 ms，且采用獨立解耦結構，可不依賴ESC[51]。在電控轉向方面，EPS系統已經普遍應用于量產車型，在車輛智能網聯化趨勢下，EPS 已支持主動控制，根據上層控制器指令實現精準轉角、轉速控制。而且，隨著線控轉向技術的推廣應用，轉向指令無需機械或液壓部件傳輸，將使轉向控制響應更加快速、精準、穩定[52]。隨著線控底盤技術的越發成熟，智能網聯汽車避撞控制執行能力也將大幅提升，而且執行器精良的控制性能也可大幅減少主動避撞系統規劃決策所需考慮的執行器性能相關約束，降低算法復雜程度和運算量。

4 典型主動避撞產品

隨著智能網聯汽車時代的到來，主動避撞系統日益廣泛地在新車上搭載。目前主流產品主要為制動避撞系統和轉向避撞系統。其中制動避撞系統主要指AEB系統，轉向避撞系統主要指緊急轉向輔助（Emergency Steering Support，ESS）、自動緊急轉向（Automatic Emergency Steering，AES）、緊急車道保持（Emergency Lane Keeping，ELK）、智慧躲閃等L2+級駕駛輔助系統。

20 世紀90 年代，制動避撞系統就得到了各大汽車企業的研發與應用。隨著技術與標準法規的發展，制動避撞系統可應對的場景也得以擴展。豐田公司1995年就開發了基于毫米波雷達的主動避撞安全系統，用于避免追尾前車[53]。沃爾沃針對城市行車常見的碰撞危險場景，開發了城市安全系統，如圖2 所示，該系統融合AEB和ESS系統的功能，通過緊急制動和緊急轉向避讓可應對行人/兩輪車橫穿、交叉口會車、對向來車、前車急停等碰撞危險工況[54]。

圖2 沃爾沃城市安全系統

ELK系統識別到本車有偏離車道的風險，且與鄰車道對向來車、后向來車存在碰撞危險時，通過控制EPS施加輔助轉矩，令本車快速回到原車道中央行駛。智慧躲閃系統主要面向本車與其相鄰車道內大型車輛存在碰撞危險的情況，如圖3 所示，系統識別到危險后控制本車向遠離大車一側橫向偏移[55]。

圖3 智慧躲閃系統常見應用場景

在L2+級駕駛輔助系統市場滲透率日益提升的大趨勢下，為了提升主動安全性能，國內外各大汽車企業的新上市車型均大量搭載主動避撞產品，AEB系統已成為必選，ELK、智慧躲閃系統也得到較多搭載，但ESS、AES 系統由于對環境感知、規劃決策、控制執行性能要求高，僅沃爾沃等少數汽車企業實現了搭載。

5 主動避撞系統發展趨勢

汽車智能網聯化趨勢下，環境感知、規劃決策、控制執行相關軟硬件技術持續進步，智能網聯汽車可應對的碰撞危險場景將越來越多，必將衍生出更多主動避撞產品。

由于行車過程中場景復雜多變，場景之間存在連續性、耦合性、隨機性，必將導致不同主動避撞產品在同一時空內同時生效，多主動避撞產品的協同控制將成為一大技術研究方向。

隨著智能網聯汽車自動駕駛水平的逐漸提高，駕駛輔助必將向全時自動駕駛過渡，在這一進程中，多種主動避撞產品將按照一定的聚類呈現集群化、系統化演變，最終統一成覆蓋全場景的智能網聯車主動避撞系統。

雖然智能網聯汽車的自動駕駛能力必將在感知、決策、控制能力上全面超過人類駕駛員，并可預判潛在碰撞危險，但是由于系統故障的必然性、隨機性、偶發性，以及危險場景的突發性、隨機性，即使在全自動駕駛下，碰撞危險場景依然存在，主動避撞系統也將作為必備冗余系統搭載于智能網聯汽車，并得到不斷升級完善。