電動(dòng)兩輪車事故場景下自動(dòng)緊急制動(dòng)系統(tǒng)性能提升方法研究

【摘要】為提高自動(dòng)緊急制動(dòng)（AEB）系統(tǒng)的性能，通過道路交通事故數(shù)據(jù)分析得出機(jī)動(dòng)車左轉(zhuǎn)條件下電動(dòng)兩輪車迎面行駛發(fā)生碰撞事故的頻率和傷亡率較高，將該場景歸納為AEB系統(tǒng)的典型應(yīng)用場景，使用實(shí)車參數(shù)和傳感器自身技術(shù)參數(shù)搭建PreScan-MATLAB-CarSim主動(dòng)安全仿真測試模型，通過仿真確定所需傳感器及攝像頭類型、數(shù)量以及合理的緊急制動(dòng)參數(shù)范圍，最后，使用駕駛機(jī)器人及小型超平承載機(jī)器人搭建實(shí)車測試場景，完成AEB參數(shù)匹配及仿真參數(shù)驗(yàn)證，結(jié)果表明，該參數(shù)滿足開發(fā)要求。

關(guān)鍵詞：緊急制動(dòng) 事故場景 仿真測試 實(shí)車驗(yàn)證

中圖分類號：U467.1" "文獻(xiàn)標(biāo)志碼：A" "DOI： 10.20104/j.cnki.1674-6546.20230439

Research on AEB Performance Improvement Method of Electric Two-Wheelers in Accident Scene

Yan Longwei， Wu Zhiguo， Lin Song， Jiang Zhishuang， Zhao Wenbo， Hu Ruinan

（FAW-Volkswagen Automotive Co.， Ltd.， Changchun 13001）

【Abstract】In order to improve performance of automatic emergency braking （AEB） system， this article firstly analyzes the data from road traffic accidents， and concludes that the collision frequency and accident fatality rate are higher when the electric two-wheeler drives head-on when the motor vehicle turns left， then summarizes this accident scene as a typical application scenario of AEB system. The PreScan-MATLAB-CarSim active safety simulation test model is built using real vehicle parameters and the technical parameters of the sensor， and the type， number of the sensors and cameras needed and reasonable range of emergency braking parameters are determined by simulation. Finally， driving robot and small-sized bearing robot are employed to build an accident test scene， and the AEB parameter matching and simulation parameter verification are completed. The results show that the parameters can satisfy the requirement of development.

Key words： Emergency braking， Accident scenario， Simulation test， Real vehicle verification

1 前言

自動(dòng)緊急制動(dòng)（Autonomous Emergency Braking，AEB）系統(tǒng)是最早的主動(dòng)安全功能之一。在AEB系統(tǒng)功能測試中，需重點(diǎn)關(guān)注測試目標(biāo)物、測試場景以及駕駛員在危險(xiǎn)狀態(tài)下對車輛的輸入[1-3]。整車制造商大多基于歐洲新車安全評鑒協(xié)會(huì)（European New Car Assessment Programme，Euro NCAP）的評價(jià)標(biāo)準(zhǔn)進(jìn)行主動(dòng)安全功能算法開發(fā)，導(dǎo)致算法在中國的部分道路場景中會(huì)出現(xiàn)場景不識別或反應(yīng)遲滯的問題。因此，需要改進(jìn)相關(guān)算法并提升對我國道路目標(biāo)物的識別能力。例如，從中國交通事故深度調(diào)查（China In-Depth Accident Study，CIDAS）事故案例中提取典型的開發(fā)場景，提升車輛在該類場景中的性能表現(xiàn)。

在各事故類型中，電動(dòng)兩輪車與摩托車參與的事故數(shù)量約占事故總數(shù)量的43%[4]，自2016年起，電動(dòng)汽車事故數(shù)量已占據(jù)各事故類型的榜首，并呈現(xiàn)快速上升趨勢[5]。由于AEB功能開發(fā)過程中電動(dòng)汽車目標(biāo)物場景較少且相對單一[6-8]，主動(dòng)安全功能在電動(dòng)汽車事故中很難發(fā)揮作用。同時(shí)，很多整車制造商按照法規(guī)將目標(biāo)物為車輛和行人的危險(xiǎn)場景作為主要開發(fā)場景，也是該類事故多發(fā)的原因之一。

本文以電動(dòng)兩輪車的典型事故為例，進(jìn)行主動(dòng)安全事故場景開發(fā)。首先，歸納整理事故發(fā)生時(shí)的環(huán)境、照明情況、電動(dòng)兩輪車駕駛員受傷情況、車輛運(yùn)動(dòng)軌跡、兩輪車運(yùn)動(dòng)軌跡等數(shù)據(jù)，得到發(fā)生頻率較高及碰撞傷害較嚴(yán)重的事故場景作為工況開發(fā)基礎(chǔ)。其次，使用車輛及傳感器自身技術(shù)參數(shù)搭建PreScan-MATLAB-CarSim主動(dòng)安全仿真測試模型，測試傳感器探測范圍，確認(rèn)傳感器配置需求[9-10]，通過仿真測試得到制動(dòng)參數(shù)的合理范圍。最后，利用駕駛機(jī)器人及小型超平承載機(jī)器人搭建實(shí)車測試場景，驗(yàn)證AEB系統(tǒng)的性能。

2 電動(dòng)汽車典型事故場景搭建

典型事故類型的篩選需要從事故發(fā)生頻率高、參與者重傷率及死亡率高的類型中選取。根據(jù)2020年至2023年中國乘用車事故數(shù)據(jù)統(tǒng)計(jì)[11]，電動(dòng)汽車事故發(fā)生概率最高的前10種事故類型及其傷亡率如圖1、圖2所示。

在十字路口中，機(jī)動(dòng)車左轉(zhuǎn)時(shí)電動(dòng)兩輪車對向直行（221）和機(jī)動(dòng)車直行時(shí)電動(dòng)兩輪車右側(cè)橫穿（321）的事故占電動(dòng)兩輪車事故總量的37%。機(jī)動(dòng)車左轉(zhuǎn)時(shí)電動(dòng)兩輪車右側(cè)直行（322）和機(jī)動(dòng)車追尾電動(dòng)兩輪車（601）的事故數(shù)量雖然不多，但人員傷亡率很高。

在圖2中，上述4類典型場景發(fā)生的事故數(shù)量占全部電動(dòng)汽車事故數(shù)量的49%，且在事故過程中人員傷亡率超過35%。本文選取321事故類型作為搭建AEB功能開發(fā)場景的基礎(chǔ)，通過對關(guān)鍵參數(shù)仿真測試及實(shí)車驗(yàn)證提升車輛AEB系統(tǒng)性能。

確定電動(dòng)汽車典型事故類型后，仍需獲得更多參數(shù)以搭建AEB系統(tǒng)開發(fā)所需場景，從試驗(yàn)場地環(huán)境和試驗(yàn)可重復(fù)性角度分析，所需參數(shù)可分為環(huán)境參數(shù)、本車參數(shù)、目標(biāo)車參數(shù)。環(huán)境參數(shù)包含光照情況及主要道路特征，主車、目標(biāo)車參數(shù)包含相應(yīng)車速、車輛運(yùn)動(dòng)軌跡以及碰撞時(shí)的相對姿態(tài)。

十字路口作為機(jī)動(dòng)車左轉(zhuǎn)時(shí)電動(dòng)汽車迎面行駛事故的主要道路特征，需要清晰定義其參數(shù)。如圖3所示，十字路口的主要參數(shù)為車輛與目標(biāo)物側(cè)向距離a、轉(zhuǎn)彎車輛路徑到路邊的橫向距離b、中央綠化隔離帶寬度ca、cb以及非機(jī)動(dòng)車道綠化帶寬度d。

根據(jù)有、無道路中央綠化帶，可將路口分為2類，共16種[12]，如圖4所示，可覆蓋約95%的中國路口特征。

將電動(dòng)兩輪車十字路口事故中的道路特征與上述16種路口對應(yīng)后發(fā)現(xiàn)，電動(dòng)兩輪車事故發(fā)生頻率較高的前5種路口分別為W0、W1、W2、W2T及B2，如表1所示，此類路口平均寬度為4.8 m。

W0路口事故類型為主車在左轉(zhuǎn)時(shí)與相鄰直行車道電動(dòng)兩輪車相撞，此類事故發(fā)生頻率最高，故本文選取W0類型路口的道路特征進(jìn)行研究。

主車的運(yùn)動(dòng)參數(shù)可分解為車速和十字路口左轉(zhuǎn)時(shí)的轉(zhuǎn)彎半徑。如圖5所示，定義當(dāng)主車轉(zhuǎn)向角速率大于5 （°）/s時(shí)車輛對應(yīng)的位置坐標(biāo)為轉(zhuǎn)彎弧線起點(diǎn)P1，碰撞時(shí)車輛對應(yīng)的位置坐標(biāo)為轉(zhuǎn)彎弧線終點(diǎn)P2，中間時(shí)刻車輛對應(yīng)的位置坐標(biāo)為轉(zhuǎn)彎弧線中點(diǎn)P3。根據(jù)CIDAS數(shù)據(jù)庫中記錄的事故類型及事故相關(guān)車輛及人員信息等，通過數(shù)據(jù)篩選處理得到101起乘用車撞擊電動(dòng)兩輪車事故，對數(shù)據(jù)進(jìn)行分析后，重建案例得出車輛轉(zhuǎn)彎半徑的平均值為20 m，事故車輛左轉(zhuǎn)平均車速為20 km/h。由于車輛左轉(zhuǎn)速度不會(huì)高于30 km/h，本場景3個(gè)速度點(diǎn)處主車車速分別設(shè)置為10 km/h、20 km/h、30 km/h，其他速度點(diǎn)的參數(shù)通過線性插值得出，使該功能可滿足10～30 km/h的所有速度點(diǎn)。

由于電動(dòng)兩輪車騎行者運(yùn)動(dòng)狀態(tài)十分復(fù)雜，事故數(shù)據(jù)中無法體現(xiàn)騎行者的初始速度和碰撞速度。但交通法規(guī)要求電動(dòng)自行車車速不得超過25 km/h，故設(shè)定騎行者的速度為20 km/h，分別分析騎行者前方有遮擋和無遮擋的場景[13]。

3 傳感器仿真測試

在主動(dòng)安全系統(tǒng)開發(fā)前期，通過虛擬仿真對場景識別、算法邏輯進(jìn)行測試和優(yōu)化，可提高開發(fā)效率，節(jié)約開發(fā)成本。本文利用主動(dòng)安全場景仿真軟件PreScan搭建電動(dòng)汽車典型事故場景，并通過攝像頭角度及雷達(dá)探測范圍仿真，得出所需傳感器類型及數(shù)量[14-15]。

利用PreScan建立十字路口機(jī)動(dòng)車左轉(zhuǎn)時(shí)電動(dòng)汽車迎面直行無遮擋場景，場景運(yùn)動(dòng)模型和主車駕駛員視覺模型如圖6、圖7所示。在主車整個(gè)運(yùn)動(dòng)過程中，駕駛員雖然可以裸眼觀測到目標(biāo)物的行駛情況，但仍需要獲得傳感器探測的精確距離信息，才能保證目標(biāo)物始終在傳感器的探測范圍內(nèi)。建模過程中通常需要設(shè)置傳感器類型、數(shù)量以及不同類型傳感器的探測角度。

AEB功能主要依靠前主雷達(dá)和前視攝像頭實(shí)現(xiàn)。首先對1個(gè)主雷達(dá)和1個(gè)主攝像頭進(jìn)行仿真，需要在仿真過程中確認(rèn)是否可以探測到目標(biāo)物以及探測到的時(shí)機(jī)是否滿足功能要求。若仿真過程中傳感器在碰撞前3 s內(nèi)不能持續(xù)探測到目標(biāo)物，則需要增加更多傳感器進(jìn)行目標(biāo)物的探測。

主車配置1顆77 Hz毫米波主雷達(dá)和1個(gè)探測角度為52°的主攝像頭作為AEB的傳感器，在仿真過程中，電動(dòng)兩輪車始終在主雷達(dá)和主攝像頭探測范圍內(nèi)，如圖8所示，因此當(dāng)前配置可以滿足該事故場景的需求。

4 參數(shù)匹配仿真測試

確定AEB功能所需傳感器數(shù)量及角度后，需要通過仿真確定該功能在電動(dòng)兩輪車十字路口場景中的關(guān)鍵參數(shù)。場景的測試仿真需要根據(jù)車輛參數(shù)及測試數(shù)據(jù)建立車輛動(dòng)力學(xué)模型，在車輛緊急制動(dòng)過程中，準(zhǔn)確的動(dòng)力學(xué)模型是保證車輛狀態(tài)和仿真測試的功能觸發(fā)時(shí)刻準(zhǔn)確的前提。本文使用CarSim進(jìn)行參數(shù)方式建模[16]。

在電動(dòng)汽車十字路口場事故景中，主要通過緊急制動(dòng)功能避免碰撞。在緊急制動(dòng)場景仿真測試過程中，通過控制車輛建壓時(shí)間來控制車輛的制動(dòng)性能。參數(shù)包含制動(dòng)遲滯時(shí)間、制動(dòng)建壓時(shí)間以及前、后制動(dòng)卡鉗壓力，該參數(shù)會(huì)影響AEB控制器制動(dòng)請求的響應(yīng)時(shí)間。通過控制輪胎參數(shù)和簧上質(zhì)量來控制車輛響應(yīng)的減速度。通過修改輪胎型號、輪胎側(cè)偏特性、輪胎縱滑特性、輪胎側(cè)傾特性來控制車輛制動(dòng)過程中的性能。車輛的質(zhì)量、尺寸需要與實(shí)車一致，否則在仿真過程中會(huì)影響車輛減速的計(jì)算。

在確定車輛參數(shù)后，通過仿真觸發(fā)車輛制動(dòng)，減速度分別為-9 m/s2、-6 m/s2、-3 m/s2，觀察仿真響應(yīng)曲線與實(shí)車響應(yīng)曲線是否一致，從而確認(rèn)制動(dòng)參數(shù)是否準(zhǔn)確，調(diào)試制動(dòng)參數(shù)使2條曲線高度擬合后，即完成了緊急制動(dòng)車輛動(dòng)力學(xué)模型的基本搭建，如圖9所示。

在電動(dòng)兩輪車十字路口場景中，影響車輛AEB功能的主要參數(shù)是虛擬車道寬度和主車緊急制動(dòng)觸發(fā)時(shí)刻。行業(yè)內(nèi)主要使用碰撞時(shí)間（Time To Collision，TTC）作為緊急制動(dòng)觸發(fā)參數(shù)。若在各種場景下，不同觸發(fā)時(shí)間車輛能夠避免碰撞，則認(rèn)為功能參數(shù)匹配。

觸發(fā)時(shí)刻和減速度需相互配合，以滿足不同場景下緊急制動(dòng)的性能要求。目前，根據(jù)目標(biāo)物的不同，車輛減速度分為-3 m/s2、-6 m/s2和-9 m/s2 3個(gè)等級。當(dāng)目標(biāo)物為車輛時(shí)，根據(jù)目標(biāo)車與主車的相對速度觸發(fā)不同的減速度。當(dāng)目標(biāo)物為行人、自行車時(shí)，為保護(hù)弱勢群體，車輛緊急制動(dòng)減速度為一級減速度，即-9 m/s2。

通過毫米波雷達(dá)可得到主車與目標(biāo)車的相對距離和偏移角度，計(jì)算可得兩車的橫向和縱向偏移量，從而判斷目標(biāo)車輛是否在主車虛擬車道范圍內(nèi)。在得到兩者某時(shí)刻的相對位置后，根據(jù)航偏角將速度分解成X向、Y向速度，其中X向?yàn)檎龞|方，Y向?yàn)檎狈剑源藶闃?biāo)準(zhǔn)建立直角坐標(biāo)系，根據(jù)Y向相對速度ΔVy與相對距離可得碰撞時(shí)間Δtl，根據(jù)碰撞時(shí)間計(jì)算兩車的橫向偏移量dl，偏移量達(dá)到閾值后則將目標(biāo)鎖定為預(yù)制動(dòng)目標(biāo)并進(jìn)行實(shí)時(shí)計(jì)算，判斷在AEB制動(dòng)過程中兩車是否會(huì)碰撞，如圖10所示。

相對橫向速度、相對縱向速度、縱向碰撞時(shí)間、橫向偏移量計(jì)算如下：

[ΔVx=V1cosθ1+V2cosθ2] （1）

[ΔVy=V1sinθ1-V2sinθ2] （2）

[Δtl=YdisΔVy] （3）

[dl=ΔtlΔVx] （4）

式中：ΔVx為相對橫向速度，V1為主車速度，θ1為主車與X方向的夾角，V2為目標(biāo)車速度，θ2為目標(biāo)車與X方向的夾角，ΔVy為相對縱向速度，Ydis為兩車縱向距離，Δtl為縱向碰撞時(shí)間，dl為橫向偏移量。

通過MATLAB/Simulink搭建仿真數(shù)據(jù)測試模塊。虛擬車道寬度分別設(shè)置為3.6 m、3.7 m、3.8 m，在預(yù)計(jì)碰撞時(shí)間為0.8 s、0.9 s、1.0 s條件下檢測車輛是否碰撞以及車輛停車時(shí)與目標(biāo)物的距離。仿真測試結(jié)果如表2所示，根據(jù)場景要求，以制動(dòng)時(shí)刻為1.0 s、虛擬車道寬度為3.8 m作為實(shí)車測試匹配的基礎(chǔ)。后續(xù)通過實(shí)車測試驗(yàn)證參數(shù)是否正確，如果測試結(jié)果不理想，可在此基礎(chǔ)上修改，以提高匹配試驗(yàn)的效率。

5 實(shí)車匹配驗(yàn)證測試

為保證測試過程中主車行駛軌跡與仿真場景一致，使用駕駛機(jī)器人駕駛車輛，如圖11所示。

測試過程中的車輛速度、路徑均由駕駛機(jī)器人控制，如圖12所示。測試過程中，首先通過衛(wèi)星慣性導(dǎo)航設(shè)備建立測試場地坐標(biāo)系，然后通過設(shè)置車輛行駛路徑、車速、駕駛機(jī)器人控制及退出閾值，控制測試車輛在預(yù)定路徑上行駛[17]。

在電動(dòng)自行車十字路口實(shí)車測試場景中，測試車輛車速分別為10 km/h、20 km/h、30 km/h。車輛行駛路徑分別為直線、定半徑曲線、直線，其中定半徑曲線由3個(gè)部分組成，如圖13所示，參數(shù)如表3所示。將測試路徑及速度輸入駕駛機(jī)器人，由駕駛機(jī)器人駕駛車輛完成測試。

測試使用定制的電動(dòng)兩輪車作為目標(biāo)物，電動(dòng)兩輪車安裝在小型超平承載機(jī)器人上，由機(jī)器人完成目標(biāo)物的速度和路徑控制。在電動(dòng)自行車十字路口實(shí)車測試場景中，目標(biāo)電動(dòng)汽車的速度為20 km/h，路徑為直線。測試前需要在機(jī)器人控制軟件中建立相同坐標(biāo)系，并在目標(biāo)物控制端輸入測試車輛行駛軌跡和目標(biāo)物行駛軌跡以及碰撞點(diǎn)，由軟件計(jì)算出目標(biāo)物的出發(fā)時(shí)刻。目標(biāo)物的運(yùn)動(dòng)軌跡以及目標(biāo)物與主車的碰撞點(diǎn)如圖14所示。

測試電動(dòng)兩輪車十字路口典型工況如圖15所示，在實(shí)車測試過程中，首先測試仿真基本參數(shù)。將車輛緊急制動(dòng)功能在該場景中的參數(shù)修改為當(dāng)碰撞時(shí)間為1.2 s時(shí)開始報(bào)警，當(dāng)碰撞時(shí)間為1 s時(shí)開始制動(dòng)，虛擬車道寬修改為3.8 m。測試結(jié)果顯示，車輛通過緊急制動(dòng)功能避免碰撞，車輛制動(dòng)后與目標(biāo)物最近距離為0.45 m，滿足該場景開發(fā)要求。

6 結(jié)束語

為提升車輛緊急制動(dòng)系統(tǒng)的性能，本文通過分析2020年至2023年道路交通事故的數(shù)據(jù)，以機(jī)動(dòng)車左轉(zhuǎn)時(shí)電動(dòng)兩輪車迎面行駛為典型事故類型，并根據(jù)環(huán)境、主車及目標(biāo)車參數(shù)搭建了AEB系統(tǒng)開發(fā)測試場景矩陣。使用PreScan仿真測試軟件搭建雷達(dá)、攝像頭模型，通過仿真得出單攝像頭單雷達(dá)方案可滿足電動(dòng)汽車該場景的傳感器需求。

建立PreScan-Simulink-CarSim參數(shù)仿真模型，針對關(guān)鍵參數(shù)進(jìn)行仿真分析，得出當(dāng)虛擬車道寬度閾值為3.8 m、碰撞時(shí)間為1 s時(shí)車輛全力制動(dòng)滿足要求調(diào)試要求。最后利用駕駛機(jī)器人及小型超平承載機(jī)器人完成實(shí)車調(diào)試驗(yàn)證測試，證明該參數(shù)滿足開發(fā)要求。

參考文獻(xiàn)

[1]" "何仁， 馮海鵬. 自動(dòng)緊急制動(dòng)（AEB）技術(shù)的研究與進(jìn)展[J]. 汽車安全與節(jié)能學(xué)報(bào)， 2019， 10（1）： 1-15.

HE R， FENG H P. Research and Progress on Automatic Emergency Braking （AEB） Technology[J]. Journal of Automotive Safety and Energy Conservation， 2019， 10（1）： 1-15.

[2]" "鮑星錢. 基于CIDAS數(shù)據(jù)庫的危險(xiǎn)駕駛行為研究[D]. 長沙： 長沙理工大學(xué)， 2020.

BAO X Q. Research on Dangerous Driving Behavior Based on CIDAS Database[D]. Changsha： Changsha University of Technology， 2020.

[3]" "鈕建偉， 張雪梅， 孫一品， 等. 險(xiǎn)情中駕駛?cè)私庸茏詣?dòng)駕駛車輛的駕駛行為研究[J]. 中國公路學(xué)報(bào)， 2018， 31（6）： 272-280.

NIU J W， ZHANG X M， SUN Y P， et al. Research on the Driving Behavior of Drivers Taking over Autonomous Vehicles in Dangerous Situations[J]. Chinese Journal of Highways， 2018， 31（6）： 272-280.

[4]" "祝琳. 典型人車事故場景重建及AEB優(yōu)化研究[D]. 上海： 上海工程技術(shù)大學(xué)， 2021.

ZHU L. Research on Reconstruction of Typical Human Vehicle Accident Scenarios and AEB Optimization[D]. Shanghai： Shanghai University of Engineering and Technology， 2021.

[5]" "孫航， 孫悅， 解瀚光. 基于CIDAS數(shù)據(jù)庫的先進(jìn)駕駛輔助系統(tǒng)安全效果研究[J]. 中國汽車， 2019（11）： 46-51.

SUN H， SUN Y， XIE H G. Research on the Safety Effects of Advanced Driving Assistance Systems Based on CIDAS Database[J]. China Automotive， 2019（11）： 46-51.

[6] NAJM W， SMITH J D， YANAGISAWA M. Pre-Crash Scenario Typology for Crash Avoidance Research： DOT HS 810 767[R]. Washington， DC： U.S. Department of Transportation， National Highway Traffic Safety Administration， 2007.

[7]" CARA I， GELDER E D. Classification for Safety-Critical Car-Cyclist Scenarios Using Machine Learning[C]// IEEE International Conference on Intelligent Transportation Systems. Gran Canaria， Spain： IEEE， 2015.

[8]" KUEHN M， HUMMEL T， LANG A. Cyclist-Car Accidents： Their Consequences for Cyclists and Typical Accident Scenarios[C]// 24th International Technical Conference on the Enhanced Safety of Vehicles （ESV）. Gothenburg， Sweden： U.S. Department of Transportation， National Highway Traffic Safety Administration， 2015.

[9]" "陳強(qiáng)， 代兵. 基于CIDAS五年內(nèi)數(shù)據(jù)的中國兩輪車事故特征分析[C]// 第十四屆國際汽車交通安全論壇論文集. 長沙： 湖南大學(xué)汽車車身先進(jìn)設(shè)計(jì)制造國家重點(diǎn)實(shí)驗(yàn)室， 2017.

CHEN Q， DAI B. Analysis of the Characteristics of Two Wheeled Vehicle Accidents in China Based on CIDAS Data over the Past Five Years[C]// Proceedings of the 14th International Forum on Automotive Traffic Safety. Changsha： State Key Laboratory of Advanced Design and Manufacturing for Vehicle Body， 2017.

[10] 王宏雁， 南日光， 朱西產(chǎn). 摩托車事故特征分析[J]. 汽車工程， 2008（11）： 1009-1012.

WANG H Y， NAN R G， ZHU X C. Analysis of Motorcycle Accident Characteristics[J]. Automotive Engineering， 2008（11）： 1009-1012.

[11] 胡林， 李根， 王方， 等. 基于CIDAS事故數(shù)據(jù)的路口乘用車-兩輪車測試場景研究[J]. 汽車工程， 2023， 45（8）： 1417-1427.

HU L， LI G， WANG F， et al. Study on Intersection Passenger Car-Bicycle Test Scenarios Based on CIDAS Accident Data[J]. Automotive Engineering， 2023， 45（8）： 1417-1427.

[12] 孫娟. 城市十字路口交通附屬設(shè)施環(huán)境設(shè)計(jì)研究[D]. 上海： 東華大學(xué)， 2014.

SUN J. Research on Environmental Design of Traffic Ancillary Facilities at Urban Crossroads[D]. Shanghai： Donghua University， 2014.

[13] 朱文婷， 許聰， 石劍榮， 等. 電動(dòng)自行車交通風(fēng)險(xiǎn)與車載、車速的關(guān)系研究[J]. 交通信息與安全， 2011， 29（5）： 92-95.

ZHU W T， XU C， SHI J R， et al. Research on the Relationship between Traffic Risk of Electric Bicycles and Vehicle Load and Speed[J]. Traffic Information and Safety， 2011， 29（5）： 92-95.

[14] 胡延平， 王曉靜， 徐鵬， 等. 基于PreScan的交叉軌跡工況AEB控制[J]. 機(jī)械工程與自動(dòng)化， 2019（5）： 29-31.

HU Y P， WANG X J， XU P， et al. AEB Control for Cross Trajectory Operating Conditions Based on PreScan[J]. Mechanical Engineering and Automation， 2019（5）： 29-31.

[15] 段順昌， 白先旭， 石琴， 等. 汽車自動(dòng)緊急制動(dòng)系統(tǒng)控制策略的預(yù)期功能安全設(shè)計(jì)[J]. 汽車工程， 2022， 44（9）： 1305-1317+1338.

DUAN S C， BAI X X， SHI Q， et al. Expected Functional Safety Design of Control Strategy for Automotive Automatic Emergency Braking System[J]. Automotive Engineering， 2022， 44（9）： 1305-1317+1338.

[16] 馮海鵬. 汽車自動(dòng)緊急制動(dòng)系統(tǒng)建模及控制策略研究[D]. 鎮(zhèn)江： 江蘇大學(xué)， 2019.

FENG H P. Research on Modeling and Control Strategy of Automotive Automatic Emergency Braking System[D]. Zhenjiang： Jiangsu University， 2019.

[17] 季中豪， 周景巖， 楊天棟， 等. 基于實(shí)車測試的AEB系統(tǒng)測試評價(jià)方法研究[J]. 汽車技術(shù)， 2020（5）： 13-20.

JI Z H， ZHOU J Y， YANG T D， et al. Research on AEB System Testing and Evaluation Method Based on Actual Vehicle Testing[J]. Automotive Technology， 2020（5）： 13-20.

（責(zé)任編輯 弦 歌）

【引用格式】 閆龍威， 吳志國， 林松， 等. 電動(dòng)兩輪車事故場景下自動(dòng)緊急制動(dòng)系統(tǒng)性能提升方法研究[J]. 汽車工程師， 2025（4）： 29-35.

YAN L W， WU Z G， LIN S， et al. Research on AEB Performance Improvement Method of Electric Two-Wheelers in Accident Scene[J]. Automotive Engineer， 2025（4）： 39-35.