智能網聯汽車主動避撞技術的研究現狀與趨勢

陳雷　程鳳軍

【摘? 要】汽車能否成功避撞直接影響其行駛的安全性與穩定性，因而汽車避撞技術的研究越來越重要。通過時間序列分析和歸納研究，從"優化控制策略、設計安全距離模型、行車信息感知與處理、車輛動力學、差異化預警、優化算法"等方面分析智能網聯汽車主動避撞技術的研究現狀，進而預測其未來研究趨勢是"算法逐步優化、深度逐步加大、范圍逐步拓展、四化程度逐步提高"，最后認為該領域的研究應綜合多種算法或綜合多個角度以滿足現實需求。

【關鍵詞】智能網聯汽車；主動避撞技術；現狀；趨勢

中圖分類號：U463.6? ? 文獻標志碼：A? ? 文章編號：1003-8639（ 2023 ）09-0003-05

Research Status and Trend of Intelligent Connected Vehicle Active Collision Avoidance Technology

CHEN Lei，CHENG Fengjun

（Changzhou Vocational Institute of Industry Technology，Changzhou 213164，China）

【Abstract】Whether a vehicle can successfully avoid collision directly affects its driving safety and stability，so the research of vehicle collision avoidance technology is more and more important. Through time series analysis and induction study，the current situation of Intelligent Connected Vehicle Active Collision Avoidance Technology was analyzed from the aspects of "optimal control strategy，design of safe distance model，driving information perception and processing，vehicle dynamics，differentiated early warning，optimization algorithm". Furthermore，the future research trend is predicted to be "gradual optimization of algorithm，gradual increase of depth，gradual expansion of scope and gradual improvement of the four modernizations". Finally，the author believes that the research in this field should integrate a variety of algorithms or perspectives to meet the practical needs.

【Key words】intelligent connected vehicle；active collision avoidance technology；current situation；trend

作者簡介

陳雷（1989—），男，講師，碩士，研究方向為智能網聯汽車技術；程鳳軍（1975—），男，高級工程師，博士，研究方向為新材料及新能源。

主動避撞技術是智能網聯汽車智能駕駛的關鍵技術，其離不開“運動規劃與障礙物識別”等技術或方法的支持，其對降低交通事故發生率、提高汽車行駛安全性與穩定性具有重要意義。當前關于智能網聯汽車主動避撞技術的研究，主要分為“優化控制策略、設計安全距離模型、行車信息感知與處理、車輛動力學、差異化預警、優化算法”等方向，內容多且條目繁雜，很少有文獻將研究內容進行歸納、分析與總結。本文將解決上述問題，系統地分析智能網聯汽車主動避撞技術的研究現狀，并預測其研究趨勢，以期為該領域研究人員提供直觀的參考依據和繼續研究的基礎價值。

1? 概述

1）主動避撞系統（也稱自動避撞系統）是智能網聯汽車的一部分，其主要用途是“提前發現與本車有碰撞可能的障礙物（如車輛、行人等），必要時能使汽車自動制動或做出避讓動作”。目前汽車主動避撞系統主要分為3種：一是車輛主動避撞預警系統，如前向碰撞預警、車道偏離預警等；二是車輛輔助駕駛系統，如自適應巡航系統、自動緊急制動系統、預碰撞系統等；三是復合交通自動駕駛系統，如交通擁堵引導，高速公路引導等均能夠在城市或高速擁堵道路實現自動駕駛[1]。智能網聯汽車主動避撞技術是基于主動避撞系統進行開發，也稱為主動避撞系統技術。

2）運動規劃模塊是智能網聯汽車車載系統的核心組成部分，也是主動避撞系統不可缺少的部分。運動規劃方法可分為路徑規劃、路線規劃、動作規劃和軌跡規劃[2]。路徑規劃是基于行車安全性，采集環境多源信息，不斷探索起點到終點所有可行路徑，以確定最優路徑。軌跡規劃是在確定已知可能路徑的基礎上，結合汽車實時的狀態和道路交通信息，規劃出一條包含“汽車實時空間位置-汽車實時車速”對應關系的關系式。

3）汽車障礙物識別技術是判斷車身周圍一定范圍內存在的障礙物大小、距離等信息，以避免發生碰撞的一種技術，顯然該項技術可為汽車主動避撞技術提供基礎支撐。當前為檢測與識別障礙物，多種傳感器被應用于智能網聯汽車，如激光雷達、超聲波雷達、毫米波雷達、紅外雷達等。隨著科技的進步，障礙物檢測與識別算法的魯棒性和實時性逐漸增強。

2? 智能網聯汽車主動避撞技術的研究現狀

2.1? 優化控制策略

當前國內外學術界關于主動避撞控制策略的研究主要圍繞“縱向避撞控制策略、制動與轉向協調避撞控制策略”等展開。以前者為例，智能網聯汽車主動避撞系統通過雷達等環境感知設備獲取障礙物的速度、大小、與本車距離等信息（其主要針對汽車行駛縱向上的障礙物），判斷本車與障礙物發生碰撞的可能，然后采取制動或避讓措施，如有研究認為“合理的避撞控制策略應該既能達到安全避撞的需求，又不對駕駛員的正常行駛造成干擾”[3]，其避撞模型控制邏輯如表1所示。以后者為例，有研究提出一種采用非線性模型預測控制的轉向和制動同時進行的避撞策略，其通過對車輪轉向角度和橫向加速度設定約束條件，提高了轉向避撞的安全穩定性[4]。

2.2? 設計安全距離模型

安全距離模型設計的合理與否直接影響車輛避撞的安全性[5]。目前常用的4種安全距離模型是固定安全距離模型、基于制動過程安全距離模型、基于車頭時距安全距離模型、駕駛員預瞄安全距離模型。第1種模型的實質是“當實際車間距離小于設定的固定值時，系統會產生報警信息”，其對行駛環境的適應能力較差；第2種模型是從空間量化的角度出發，判斷車輛發生碰撞的可能性，該模型的優點是所確定的安全距離可變化，但未考慮駕駛員的主觀感受；第3種模型是通過車輛距離碰撞的剩余時間來判斷緊急程度；第4種模型充分考慮了駕駛員的主觀感受，可滿足不同駕駛員的需求。

有研究設計了一種利用單個控制回路的控制方案，通過引入與前、后車輛之間的相對距離和前車速度相對應的額外狀態變量實現車輛速度和距離的跟蹤[6]，但該種控制方案的穩定性較差。為此，提出了基于車輛跟隨策略的安全距離控制模型，增強了汽車跟隨系統的穩定性[7]。進一步地，將傳統安全距離模型和基于車頭時距的安全距離模型優缺點互補，建立了一種高低速安全距離模型進而搭建的自動緊急制動（AEB）系統控制算法模型[8]。更進一步地，建立智能汽車自動緊急避撞的質點模型和考慮車輛外形尺寸及安全約束條件的避撞模型，并對兩種模型所需的最小縱向安全距離進行仿真計算和對比分析[9]。此外，針對城市工況，提出了一種最小安全車距控制模型和避撞算法，針對前方車輛行駛狀態和不同類型車輛制動性能差異，給出相應的安全距離估算模型[10]。

2.3? 行車信息感知與處理

行車信息感知是汽車智能駕駛的關鍵技術之一，其能為汽車行駛過程中提供道路邊界、車輛周圍障礙物的位置、速度、運動方向等信息[11]。當前有關行車信息感知的研究主要集中于車距測量、車速測量、路面信息獲取，而行車信息處理主要通過卡爾曼濾波技術。

2.3.1? 車距測量

當前車間距離測量方法主要有兩種，即基于機器視覺[12]和基于車載雷達系統?；跈C器視覺車間距離測量方法的優點是探測環境范圍寬、獲取目標信息完整，缺點是實時性差、運算量大、準確度低。有研究通過基于機器視覺的車間距離測量方法實現了圖像中車輛目標的識別[13]，進一步地，通過該方法檢測車輛的尾部來判斷車輛目標[14]。相比機器視覺測距，基于車載雷達系統車間距離測量方法的優點是結構簡單、發射功率低、分辨率與靈敏度高、抗干擾能力強；缺點是裝置清潔度要求高、成本高。有研究通過毫米波雷達相控陣的方法來對車輛目標進行檢測，模擬幾種典型交通情況下毫米波雷達的應用[15]。進一步地，提出了一種基于毫米波雷達探測的汽車自動避障控制系統，用雷達探測方法進行障礙物方位信息估計，最終實現汽車的自動避障[16]。

2.3.2? 車速測量

當前車速的獲取主要有直接法和間接法。直接法雖精度高，但高昂的成本限制其發展與應用，目前汽車主要是通過間接法來測量車速。如線性卡爾曼濾波法主要是針對低自由度汽車模型進行車速估計；非線性卡爾曼濾波法主要是針對高自由度汽車模型進行車速估計。

2.3.3? 路面信息獲取

路面信息獲取主要是獲取路面附著系數。當前對路面附著系數的估計，主要有基于原因法和基于結果法，前者無需考慮車輛自身的因素，只需利用傳感器直接識別路面參數，后者是基于路面條件變化，以整車響應來估算摩擦系數的大小。有研究采用帶有加速度計和全球定位系統傳感器來測量在品質差的路面上行駛對汽車的影響[17]，進一步地，通過比例-積分-微分（PID）控制有效地辨識出路面的附著系數[18]。

2.3.4? 行車信息處理

因行車感知的信息中通常含有一定的噪聲，需進行處理才能準確獲取目標信息，行車信息處理技術應運而生。國內外學者主要通過卡爾曼濾波技術對行車信息進行處理，如通過設計分析n維卡爾曼濾波方程和控制卡爾曼算法去除測量噪聲[19]，進一步地，為提高噪聲處理能力，采用改進的交互式卡爾曼濾波算法對雷達測量產生的噪聲信號進行處理[20]。

2.4? 車輛動力學

智能網聯汽車主動避撞技術在車輛動力學方向的研究主要集中在建模和控制兩個方面。

關于車輛動力學系統建模，主要是搭建多自由度車輛縱向動力學系統模型。以4自由度為例，通過建立自由剛體微分方程，充分考慮了車輛的轉向和制動情況。進一步地，5自由度，如通過節氣門的輸入實驗，模擬整車運動的過程中觀察車輛車輪的速度和車輪的縱向滑移[21]。進一步地，有關7自由度整車動力學模型的研究更多，因為該模型穩定性好，能大大提高汽車主動避撞系統的避撞能力，如通過給出前輪轉角的正弦曲線對車輛的操縱穩定性進行了驗證分析；如采用滑模觀測器估計車輛的運動特性；再如運用模型簡化方法，同時建立電池模型和永磁同步電機模型[22]。更進一步地，有研究搭建車輛9自由度穩態動力學模型和10自由度車輛動力學模型，這兩種模型不僅提高了汽車的避撞能力，同時改善了汽車行駛時的平順性。

關于車輛動力學控制，其是通過設計的控制器來對車輛性能的參數進行調節。汽車縱向動力學控制分為直接式控制和分層式控制兩大類，具體如圖1所示[11]。當前國內外在該方面的研究都以分層式控制結構為主。以國外的一項研究成果為例，其采用的是分層式控制結構，由縱橫向動力學的結合設計了車輛縱向速度預測控制器和第二預測控制器[23]。以國內的一項研究成果為例，其采用分層式控制器結構設計了整車控制策略，設計了縱向力分配的控制算法[24]。

2.5? 差異化預警

差異化預警方法因其差異化特征的不同而不同，如有研究認為駕駛員因其年齡、性別、性格以及駕齡等因素的差異有著不同的駕駛特性[25]。進一步地，對每位駕駛員釋放加速踏板和制動啟動時刻的TTC值進行聚類分析[26]。更進一步地，利用BP神經網絡對不同駕駛員群體的制動深度、駕駛員反應時間等特征參數進行學習[27]，其縱向避撞安全輔助系統設計如圖2所示。

2.6? 優化算法

當前通過優化算法來提高智能網聯汽車主動避撞能力的研究越來越多，這些算法往往基于不同的角度或不同的理論。為幫助駕駛人更好地規避潛在危險，一種基于TAP參數的汽車避撞系統算法被提出，其充分考慮駕駛人因素，選擇了算法的報警方法[28]。進一步地，為比較多種算法的優越性，有研究對比了5種AEB算法對避免縱向碰撞仿真驗證制動效果，這5種算法中，以即碰時間的TTC算法的縱向避撞性能最優[29]。還有研究突破了傳統汽車主動避撞算法主要基于后車制動實現的局限性，利用車車通信獲取前車信息計算理想車間距，通過分配前后車加速度來完成協同主動避撞[30]，這種基于滑?？刂频能囓噮f同主動避撞算法彌補了傳統算法的不足。但是以上研究內容都無法適應不同的路面條件，為此，提出了一種適應不同路面條件的換道避撞控制與自適應巡航控制相結合的控制算法，它基于PreScan 軟件搭建緊急避撞場景模型，利用遞推最小二乘法進行路面辨識[31]。

近幾年，避障算法主要集中在人工勢場算法、基于圖片搜索算法、智能優化算法、協同算法。以人工勢場算法為例，通過在人工勢場函數中加入一個由目標點與車輛之間的距離得到的調節因子，使得局部目標點一直處于對稱軸線上，從而避免了局部最小值[32]。進一步地，有研究人員通過在人工勢場算法的基礎上建立虛擬力場作用域，另外通過定義斥力函數，將速度、質量等因素考慮進去[33]，其所建立的汽車模型參數如表2所示。以基于圖片搜索算法為例，有研究人員先應用半定規劃的迭代區域膨脹算法進行多次凸優化從而得到合理的內切橢圓，再通過A星算法得到內切橢圓中的最優路徑[34]。以智能優化算法為例，其包括模糊邏輯算法、遺傳算法、蟻群算法、快速擴展隨機樹算法、神經網絡算法、粒子群算法等。以協同算法為例，有研究人員利用離散高斯卷積算法結合基于移動障礙運動狀態估計的局部路徑規劃算法，在多條規劃路徑中選取最優避撞路徑[35]。進一步地，為將損失最小化，通過蒙特卡洛算法求得碰撞概率。

3? 智能網聯汽車主動避撞技術的研究趨勢

通過對以上智能網聯汽車主動避撞技術研究文獻的分析與總結，結合政策工具，本文預測未來該領域的研究更加趨向于優化算法、擴大應用范圍等方面，具體如下。

3.1? 研究算法逐步優化

無論是傳統算法還是智能算法都有不足之處。以基于圖片搜索算法為例，其得到的最優路徑比較準確，但計算過程復雜；以人工勢場算法為例，其實時性雖好，但局部最小化問題較為嚴重；以智能算法為例，其具有主動學習功能，但泛化能力差。未來算法將被逐步優化，并且多種算法協同避障成為了人們越來越關注的研究方向。

3.2? 研究深度逐步加大

在行車安全狀態判斷方面，現有的汽車主動避撞系統大多準確性能差，難于獲取行車時的關鍵參數，對駕駛員的主觀感受等因素也考慮不夠，未來會加大研究深度，統籌考慮多種因素?，F有的很多避撞安全距離模型較為單一，未來將會針對安全距離模型應用新的算法或技術，將會加深研究力度。目前針對汽車路徑規劃與跟蹤控制的研究，大多不能滿足實時性要求，未來該方面的研究也將深入考慮實時效應。

3.3? 研究范圍逐步拓展

汽車更容易在低附著系數的路面發生交通事故，未來不僅是研究高附著系數路面上汽車行駛時的避撞問題，針對低附著系數路面避撞問題的研究將逐步增加。當前多數車企在制定AEB主動避撞策略時忽略了一個重要因素，即自車車速較大時發生碰撞的可能性會增加，未來研究范圍將擴展到自車行駛速度較大時的避撞問題。輪胎附著力是影響安全距離測量的重要因素，已有研究中考慮該因素的較少，導致測得的安全距離偏大，未來針對該問題的研究將逐漸增多。汽車實際行駛時需綜合考慮縱向制動和轉向換道，所以研究范圍亟待拓展，預測未來汽車縱橫向相結合的避撞問題將成為研究熱點。

3.4? 四化程度逐步提高

這里的四化是指智能化、集成化、復雜化與信息化。越來越多的人工智能技術在汽車主動避撞系統中得以應用，汽車主動避撞技術的智能化程度越來越高。將主、被動安全技術有機地結合在一起，汽車主動避撞系統的集成化程度越來越高。應用到汽車主動避撞系統的控制器控制算法日趨復雜，避撞系統自身也更加復雜，其所包含的零部件逐漸增多，汽車主動避撞系統復雜化程度和電子化程度越來越高。

4? 結束語

當前有關智能網聯汽車主動避撞技術研究的文章越來越多，涉及到多種算法、多種技術的應用，還有從控制策略和車輛系統動力學的角度出發，綜合了行車信息感知與處理技術。未來該領域的研究人員應綜合多種算法或綜合多個角度進行研究，單一的算法已無法滿足現實需求。此外，通過對比研究，可以發現國內在該領域的研究成果相比國外有一定的差距，鑒于中國道路交通情況的復雜性以及當代社會對人身安全提出了更高的要求，提高智能網聯汽車的主動避撞能力具有十分重要的現實意義，國內該領域的研究人員任重而道遠。

參考文獻：

[1] 趙瑞. 基于狀態估計方法的車輛主動避撞控制策略研究[D]. 重慶：重慶理工大學，2022.

[2] 李立，徐志剛，趙祥模，等. 智能網聯汽車運動規劃方法研究綜述[J]. 中國公路學報，2019，32（6）：20-33.

[3] 胡遠志，呂章潔，劉西. 基于PreScan的AEB系統縱向避撞算法及仿真驗證[J]. 汽車安全與節能學報，2017，8（2）：136-142.

[4] CHOI C，KANG Y. Simultaneous braking and steering control method based on nonlinear model predictive control for emergency driving support[J]. International Journal of Control，Automation and Systems，2019，15（1）：345-353.

[5] FILDES B，KEALL M，BOS N，et al. Effectiveness of low speed autonomous emergency braking in real-world rear-end crashes[J]. Accident Analysis and Prevention，2020（81）：24-29.

[6] SATHIYAN SS P，KUMAR S S，SELVAKUMAR A I. Optimisedfuzzy controller for improved comfort level during transitions incruise and adaptive cruise control vehicles[C]//Proceedings of the 2021 International Conference on Signal Processing andCommunication Engineering Systems. Piscataway：IEEE，2021：86-91.

[7] 丁建峰，關志偉，杜峰，等. 基于安全距離模型的車輛跟隨控制與仿真[J]. 天津職業技術師范大學學報，2017，27（3）：24-29.

[8] 胡守俍. 基于安全距離模型的AEB系統仿真研究[J]. 汽車實用技術，2020（8）：35-37.

[9] 來飛，黃超群，董紅亮. 智能汽車自動緊急避撞系統的安全距離模型及其對比分析[J]. 重慶理工大學學報（自然科學），2020，34（9）：39-46.

[10] 劉貴如，周鳴爭，王陸林，等. 城市工況下最小安全車距控制模型和避撞算法[J]. 汽車工程，2016，38（10）：1200-1205，1176.

[11] 廉宇峰，張濤燾，黃嘉南，等. 汽車縱向主動避撞系統的研究現狀與展望[J]. 計算機應用，2021，41（S1）：264-271.

[12] 宮銘錢，冀杰，種一帆，等. 基于激光雷達和視覺信息融合的車輛識別與跟蹤[J]. 汽車技術，2020（11）：8-15.

[13] SIVARAMAN S，TRIVEDI M M.Active learning for on-road vehicle detection：a comparative study[J]. Machine Vision and Applications，2019，25（3）：599-611.

[14] CUI C J，LIU F，LI Z，et al. Vehiclelocalisation using a single camera[C]//Proceedings of the 2010 Conference on IntelligentVehicles Symposium. Piscataway：IEEE，2020：871-876.

[15] DUDEK M，KISSINGER D，WEIGEL R，et al. A versatilesystem simulation environment for millimeter-wave phased-arrayFMCW-radar sensors for automotive applications[C]//Proceedingsof the 2011 Conference on Asia-Pacific Microwave. Piscataway：IEEE，2017：1478-1481.

[16] 黃智勇. 基于毫米波雷達的汽車自動避障控制系統研究[J]. 佳木斯大學學報（自然科學版），2019，37（4）：580-584.

[17] LIMA L C，AMORIM V J P，PEREIRA I M，et al. Usingcrowdsourcing techniques and mobile devices for asphalticpavement quality recognition[C]// Proceedings of the 2016 Brazilian Symposium on Computing Systems Engineering.Piscataway：IEEE，2020：144-149.

[18] 袁朝春，張龍飛，陳龍，等. 基于路面辨識的主動避撞系統制動性能[J]. 吉林大學學報（工學版），2018，48（2）：407-414.

[19] RAJ K S D，KRISHHA I M. Kalman filter based target tracking fortrack while scan data processing[C]//Proceedings of the 2ndInternational Conference on Electronics and CommunicationSystems. Piscataway：IEEE，2018：878-883.

[20] 劉全周，賈鵬飛，李占旗，等. 改進的交互式卡爾曼濾波對雷達數據處理技術研究[J]. 機械科學與技術，2020，39（8）：1248-1255.

[21] SATAR M I，HUDHA K，MAT W，et al. Modelling andverification of 5 degree of freedom vehicle longitudinal model[C]//Proceedings of the 10 th Conference on Asian Control.Piscataway：IEEE，2015：1-6.

[22] 閆丹彤. 電動汽車主動避撞控制系統建模與仿真研究[D]. 長沙：湖南大學，2015：11-20.

[23] PAUCA O，CARUNTU C F，LAZAR C. Predictive control for thelateral and longitudinal dynamics in automated vehicles[C]//Proceedings of the 23rd International Conference on SystemTheory，Control and Computing. Piscataway：IEEE，2019：797-802.

[24] 蘇昊，余卓平，熊璐，等. 分布式驅動純電動SUV車輛控制策略研究[J]. 合肥工業大學學報（自然科學版），2019，42（4）：439-444.

[25] 房曰榮. 不同類別駕駛員的駕駛行為特性差異實驗研究[J]. 安全與環境工程，2020，27（5）：204-208.

[26] WANG J Q，YU C F，LI S E，et al. A forward collision warning algorithm with adaptation to driver behaviors[J]. IEEE Transactions on Intelligent Transportation Systems，2021，17（4）：1157-1167.

[27] 章軍輝，李慶，陳大鵬. 基于BP神經網絡的縱向避撞安全輔助算法[J]. 西安交通大學學報，2017，51（7）：140-147.

[28] 張瓊，郭應時，孫浩，等. 基于TAP參數的汽車避撞系統算法的優化與仿真[J]. 計算機工程與設計，2012，33（12）：4652-4656.

[29] 胡遠志，呂章潔，劉西. 基于PreScan的AEB系統縱向避撞算法及仿真驗證[J]. 汽車安全與節能學報，2017，8（2）：136-142.

[30] 王龐偉，余貴珍，王云鵬，等. 基于滑模控制的車車協同主動避撞算法[J]. 北京航空航天大學學報，2014，40（2）：268-273.

[31] 魏民祥，嚴明月，汪? ，等. 基于路面識別的汽車緊急避撞控制算法[J]. 汽車安全與節能學報，2017，8（4）：359-366.

[32] 安林芳，陳濤，成艾國，等. 基于人工勢場算法的智能車輛路徑規劃仿真[J]. 汽車工程，2017，39（12）：1451-1456.

[33] 王樹鳳，張鈞鑫，劉宗鋒. 基于改進人工勢場法的智能車輛超車路徑規劃研究[J]. 汽車技術，2018（3）：5-9.

[34] 陳光榮，郭盛，王軍政，等. 凸優化和A*算法結合的路徑避障算法[J]. 控制與決策，2020，35（12）：2907-2914.

[35] 彭曉燕，謝浩，黃晶. 無人駕駛汽車局部路徑規劃算法研究[J]. 汽車工程，2020，42（1）：1-10.

（編輯? 楊? 景）