基于避險臨界點的行車危險識別與制動策略研究

主題詞：車輛安全實時風險高危場景識別制動策略避險臨界模型中圖分類號：U461.91 文獻標志碼：A DOI：10.19620/j.cnki.1000-3703.20240896

Research on Driving Hazard Identification and Braking Strategy Based on Collision Evasion Point

Zhu Tong'，Zhang Zhuo'，ZhangYunxing'，Zhao Yunfei1，Li Xiaohu2 （1.School of Transportation Engineering，Chang'an University，Xi'an71Oo64;2.ChinaAutomotive Technologyand Research Center， Tianjin 300300）

【Abstract]To quantifydriving risk anddevelopasafe braking strategy，this paper introduces theconcept of Collision Evasion Point （CEP）andbuilds mathematical models for straight-driving and turning scenarios.Using theCEP，ariskrepresentationindexisdefinedtoquantifydrivingrisk.Moreover，116accidentcasesfromChinaIn-DepthAcidentStudy （CIDAS）databaseareclasiiedandtheriskrepresentationindexisapliedtoidentifyhigh-iskcases.Finalldyamic brakingstrategy basedonthebraking-timeindicatorisproposed.Testresultsshowthat，acrossvarious high-riskscenarios， theproposedriskrepresentationindexoutperformsTime-to-Colision（TTC）basedstrategyinidentifyingscene-levelrisk， while thebraking strategyachievesmorereasonable braking timesandsmoother speed profiles，thereby beteravoiding collisions.

Key words： Vehicle safety，Real-time risk，High-risk scenario identification，Braking strategy， Critical risk-avoidancemodel

【引用格式】朱彤，張卓，張興，等.基于避險臨界點的行車危險識別與制動策略研究[J].汽車技術，2025（7）：23-30. ZHU T，ZHANG Z，ZHANG YX，et al.Research on Driving Hazard Identification and Braking Strategy Based on Colision EvasionPoint[J].Automobile Technology，2025（7）： 23-30.

1前言

近年來，我國道路交通安全形勢不容樂觀，及時識別行車風險并觸發制動對于降低事故率、減輕事故損傷至關重要[1-2]。雖然現階段車輛已配備車道偏離預警系統、高級駕駛輔助系統等主動安全技術，但風險評估與制動決策模塊的可靠性仍有待提升[3-4]。

準確地表征風險是自動駕駛汽車安全性能提升的基礎與關鍵5?，F有研究多從不同角度考慮行車風險，通過安全距離指標、距碰撞發生時間指標及駕駛員主觀認知判斷指標等評價指標表征風險并制定了一系列碰撞預測策略。張宇豐等基于碰撞時間（TimeToCollision，TTC）與安全距離模型協同，對車輛進行控制以避免碰撞；楊賀博等考慮自車車速，優化了TTC值及制動控制策略；郭祥靖等[基于反向傳播神經網絡對TTC進行預測，并以此制定控制策略；趙林峰等[12]提出了考慮車輛運動狀態和路面附著系數等因素的改進安全距離模型。

然而，現有方法通過當前時刻車輛的時空風險程度表征運行風險，包括車輛行駛的空間、時間相對位置以及駕駛員主觀風險認知能力等，未考慮當前環境中車輛的風險規避能力，故需綜合考慮車輛時空接近程度及避險能力、環境要素等方面，設計表征車輛當前的行車風險的指標。同時，自動駕駛測試場景從單一的縱向安全控制測評，如前車靜止[13]、前車慢行[4等，逐步發展到汽車轉向場景。以TTC為風險指標的制動控制算法在主車轉向場景的測試較少，且缺乏對車輛-二輪車的相關場景測試。

因此，為了適用車輛-二輪車不同運行場景的風險評估指標和測試分析，優化車輛風險識別與制動效果，本文提出避險臨界點，對車輛行駛場景風險進行量化，基于避險臨界點時間指標制定自動駕駛動態制動控制策略。同時，在主車轉向、主車直行等不同碰撞姿態場景中驗證所提出策略的有效性。

2基于避險臨界點的風險測度

2.1 避險臨界點定義

依照駕駛環境信息動態評估車輛的碰撞風險，是保證車輛安全行駛的重要環節。在行車過程中，碰撞風險持續存在且隨行車條件不斷變化。為了定量描述行車風險，常采用TTC指標進行評價，但該指標無法區分干燥路面與冰雪路面的風險差異，忽略了駕駛員轉向避開事故發生的可能。因此，需引入體現車輛避險能力的風險評價指標，準確識別并量化不同駕駛環境中的碰撞風險。

本文提出避險臨界點（CollisionEvasionPoint，CEP），其基本思想為：車輛在行駛中持續存在行車風險，當風險累積到一定程度時，將會發生危險。為了表征風險與危險的界限，將 P_cep 作為分界點，如圖1所示。

當車輛在時空上越過 P_cep 點，即使駕駛人同時采用多種應急避險（如全力制動、轉向等）措施，仍無法避免碰撞發生。確定避險臨界點后，將當前主車位置與避險臨界點間的行駛時間 T_gap 作為行車風險表征指標，即車輛距離 P_cep 點越近，可采取避險措施避免碰撞的可能性越小，從而越難以避免事故發生。同時，將 P_cep 點到預碰撞點的行駛時間 T_cep 作為車輛制動時間指標，來制定車輛的制動策略。

2.2避險臨界點的計算

2.2.1 主車直行避險臨界點

在主車直行條件下，以初始時刻的主車位置為坐標原點，主車運動方向為 x₁ 軸，與其垂直方向為 x₂ 軸建立坐標系，構建避險臨界點數學模型，如圖2所示。其中：d₁，d₂ 分別為汽車寬度和二輪車長度； v₁，v₂ 分別為汽車和二輪車的速度； θ 為 v₂ 與 x₁ 軸的夾角； m 為兩車在 x₁ 軸投影的距離； ∣c∣ 為二輪車與 x₁ 軸的垂直距離； L_x1，L_x2 分別為某時刻汽車和二輪車在 x₂ 軸方向的位移； 分別為汽車縱向和橫向最大加/減速度： ;μ 為路面的附著系數，決定路面為車輛提供的最大制動力。

為了避免車輛碰撞，需滿足以下情況中任意一項：

a.情況1：主車減速避開二輪車，當主車減速后的車速不超過二輪車同向運行速度時，自減速起的行駛距離不超過起始時刻車輛間距離。

b.情況2：主車同向轉向避開二輪車（主車與二輪車在 x₂ 軸的橫向位移方向一致），見圖3a。

c.情況3：主車反向轉向避開二輪車（主車與二輪車在 x₂ 軸的橫向位移方向相反），見圖 3b 。

根據數學模型，3種情況可分別表示為：

其中

車輛從初始位置出發，如果滿足上述情況，說明主車仍有避免碰撞的可能，此時 m 未達到避免碰撞的最小值。重復上述過程，減小 m 至最小值，使車輛不符合避撞條件，則無法避免碰撞，此時，臨界距離 m_cep=m 。

2.2.2 主車轉向避險臨界點

相較于直線行駛，主車轉向夾角的變化具有隨機性，難以直接計算結果。因此，需要使用迭代計算模型模擬車輛的運動情況。

在主車轉向的條件下，以初始時刻二輪車位置為坐標原點，二輪車行駛方向為 x₁ 軸，與其垂直方向為 x₂ 軸建立坐標系，構建避險臨界點數學模型，如圖4所示。其中， d₃ 為主車的長度， θ 為二輪車速度與 x₂ 軸的夾角，x₀ 為二輪車中心點到主車投影至 x₁ 軸中心點的距離， .y₀ 為主車中心點到投影至 x₁ 軸的距離， x（t），y（t） 分別為 χ_t 時刻車輛沿 x₁ 軸 軸方向的累計路程。

將汽車的速度沿 軸分解，得到2025年第7期

角速度為 ω（t）=k?R（t） 其中， k 為轉向靈敏度系數， R（t） 為轉向盤轉角。

已知車輛的位置，即確定初始 y₀ ，分別計算后一時刻主車的位移、速度和加速度：

在尋找避險臨界點的過程中，若 y₀ 自初始值判斷為非避險臨界點，則繼續向 x₁ 軸逼近 Δm ，并采用循環迭代方法，直至某點被判定為避險臨界點結束循環。

初始狀態 x（t）=0、y（t）=0、θ（t）=θ ，迭代時間步長為 Δt 每增加一次步長，計算本輪主車的位置、速度和加速度，并根據以下循環判斷條件進行判斷，臨界條件如圖5所示：

a.情況4：當主車 x₁ 方向的速度降低至0時，該方向位移小于初始間距 y₀ ，即當 v_y（t）=0 時，判斷 y（t）?y₀ 是否成立。

b.情況5：若 y（t）?y₀ 且 y（t+Δt）gt;y₀ ，計算 Φ_t 時刻車輛和二輪車在空間上碰撞情況。如果公式（3）成立，則避免碰撞。

若滿足上述條件之一，繼續進行迭代計算，逐漸減小車輛與 x₁ 軸的距離，再次驗證上述條件，直到找到均不滿足的y值，其中， y=y₀-Δy ；若均不符合，則車輛位于避險臨界點，迭代終止。此時，主車到，軸的距離ycep，通過最終夾角 θ_cep ，計算該時刻避險臨界點與預碰撞點的距離

2.3基于避險臨界點的風險評價指標

為了表征主車發生事故的風險程度，本文將車輛當前位置與避險臨界點間的行駛時間 T_gap 作為風險評價指標，如圖6所示。

當距避險臨界點時間越久，車輛發現危險、進行避險操作的預留時間越長，發生事故的風險越低；反之，則風險更高。 T_gap 可表示為：

式中： m_cep 為避險臨界點與預碰撞點間的空間距離， 為車輛初始位置到預碰撞點的總運動時間， v₀ 為兩車在m_cep 方向上的相對速度。

此外， T_cep 還可作為車輛制動策略的時間指標，通過使用 T_gap 進行案例選取，進一步討論該指標在制動控制策略優化中的應用。

3高危險度事故案例選取

3.1事故數據提取

基于 T_gap 指標挑選車輛-二輪車事故案例中的高危險度案例，驗證制動策略的有效性。本文將中國道路交通事故深度調查（China In-Depth Accident Study，CIDAS）中臨碰撞前（Pre-Crash）數據集作為場景識別和控制策略優化的研究基礎。該數據集基于CIDAS獲取的現場記錄，采用事故重建技術，復現事故發生前場景，并提取復現場景數據，主要包括：主車及相關車輛位置、運行軌跡、碰撞位置、碰撞姿態、周邊環境等。

本文數據集選取116起汽車-二輪車碰撞事故場景，根據事故前的主車行駛狀態，將場景分為主車直行和轉向2類場景。

3.2風險量化計算與高危案例挑選

基于 T_gap 計算各事故場景某時刻的運行風險，其中，各事故案例均從距事故發生前2s開始進行風險迭代計算，計算參數取值如表1所示。

在計算事故案例時，附著系數 k 使用案例提供數值，但實際過程中需要根據道路情況進行動態調整。參考文獻[15]基于交互式多模型的自適應無跡卡爾曼濾波（IMM-AUKF路面附著系數估計方法，實時地估計路面附著系數 μ ，并在數學模型中迭代計算。因此，不同事故場景的 T_gap 計算結果如圖7所示。

從TTC的角度，所有案例均從碰撞前2s計算風險度，表明風險評估時所有案例的風險度相同。但 T_gap 產生了明顯差異，說明 T_gap 能夠較好地識別出TTC難以識別的風險，能夠減緩事故嚴重度、乘員損傷程度。由圖7可知，大部分事故場景的 T_gap 集中在1.2＼～2s，主車直線行駛的場景中部分 T_gaplt;1 s，主車轉向場景 T_gap 集中在1.4＼～2s，最危險的案例集中在 1.5s 附近。 T_gap 的極差約為 0.5s ，符合駕駛員的反應時間。

依據計算結果，選取各類型中 T_gap 最大或最小（即風險最大或最?。┑陌咐?，作為后文自動駕駛制動策略測試的案例。

4自動駕駛制動策略測試

4.1 測試環境構建

本文需在仿真環境中搭建事故場景，如圖8所示，仿真場景的主要搭建流程為：首先，將CIDAS臨碰撞數據集的事故再現文件（之前采用PC-Crash生成）導入PreScan仿真環境中，生成基礎事故場景；然后，完善基礎事故場景中靜態環境；最后，在Simulink中添加制動控制算法模塊與碰撞檢測模塊，進行制動控制算法的仿真測試。

4.2基于 T_cep 的制動控制策略

本文結合避險臨界點與分級制動控制思想，提出將T_cep 作為不同等級制動觸發條件的制動控制策略，如表2所示。根據車輛速度選擇制動等級，當主車距離前車碰撞時間到達不同制動閾值時，采取不同比例的制動力。

充分考慮安全性原則，防止出現意外情況時因 T_cep 過小而導致無法及時制動，設置 T_ceplt;0.4 s時，將其分級制動閾值分別設置為0.8s和 1.6s 。同時，對比文獻[16]的分級TTC控制策略（見表3）。

為了驗證基于 T_cep 的制動控制策略有效性，需要針對不同的碰撞場景開展試驗[1]，本文結合文獻[18]的碰撞分類方法，根據主車轉向情況將CIDAS汽車-二輪車案例的事故類型進行分類，測試場景類型如圖9所示。

4.3 制動策略測試

為了驗證本文制動策略的有效性，分別對主車直行垂直碰撞、與二輪車追尾碰撞、與二輪車對向碰撞、二輪車夾角碰撞及主車轉向碰撞等碰撞場景案例進行驗證，并分析本文方案在事故避免、碰撞速度降低、制動距離等方面的性能。

4.3.1直行垂直碰撞場景

在主車直行碰撞二輪車側向的事故場景中，選取最大和最小的風險案例進行試驗，結果如圖10、圖11所示。

由圖10可知，基于 T_cep 的制動策略的速度變化更平緩，制動提前量更大，制動更有效。在高風險案例中，基于TTC的制動策略，車輛無法避免碰撞，而基于 T_cep 的制動策略，通過提前制動解決了車輛與二輪車的碰撞問題；由圖11可知，基于TTC的制動策略，車輛制動停止點與預碰撞點的距離為 1.069m ，而基于 T_cep 的制動策略停止點與預碰撞點的距離為 1.32m ，說明后者的制動空間更大。

4.3.2 直行追尾場景

在主車直行追尾碰撞二輪車事故場景中，試驗結果如圖12所示。該場景中，兩種制動策略均無法避免碰撞，但基于 T_cep 的制動策略使主車的碰撞速度從 39.9km/h 下降至 25.2km/h ，能夠降低事故帶來的傷害。

4.3.3 直行對向碰撞場景

在主車直行碰撞對向二輪車的事故場景中，試驗結果如圖13所示。采用基于TTC制動策略未能阻止碰撞的發生，主車的碰撞速度為 0.8m/s ，而在這種極度危險的場景中，基于 T_cep 的制動策略在前 1.8s 對使主車制動停止，避免了事故發生。

4.3.4轉向場景

在主車轉向場景中選取兩個最危險的案例，結果如圖14所示。圖 14a 中，兩種制動策略均能夠避免事故發生，相比之下，基于 T_cep 制動策略的制動時間更短，車輛速度曲線更平緩，有效降低了制動停止過程對駕駛員的影響。圖14b中，兩種制動策略同樣避免了碰撞，通過觀察3D運行圖中主車制動停止的位置（見圖15），基于T_cep 制動策略控制的主車制動停正位置與預碰撞點的距離約為 2.8m ，而基于TTC控制制動策略控制的主車制動停正位置距離預碰撞點僅為 0.6m ，表明基于 T_cep 的制動策略為車輛預留了更長的制動距離，為車輛操縱提供了更大的容錯空間。

因此，相較于基于TTC的制動策略，基于 T_cep 的制動策略在不同碰撞類型和不同危險度場景中均表現出較好的性能，有效地避免了此類危險場景下事故的發生。在無法避免事故中，能夠顯著降低碰撞時刻的瞬時速度，從而減緩乘員傷害和事故嚴重程度。

5結束語

本文針對現有碰撞時間指標在動態復雜環境中難以全面量化風險的局限，提出了避險臨界點理念，并據此建立了數學模型，提出了風險識別方法和制動控制策略。在多種代表性場景下，本文策略表現顯著更優，能夠平緩、有效地實施制動。后續將在更多類型交通參與者（如行人、其他車輛）構成的風險場景中進行廣泛的測試與驗證，進一步優化該方法的魯棒性與泛用性。

參考文獻

[1]國家統計局.中國統計年鑒[M].北京：中國統計出版社， 2024. National BureauofStatistics ofChina.China Statistical Yearbook[M].Beijing：China Statistics Press，2024.

[2]白先旭，左瑜，李維漢，等.自動緊急制動系統控制模塊的 SOTIF量化評價[J].汽車工程，2023，45（9）：1655-1665. BAIXX，ZUOY，LIWH，etal.QuantitativeEvaluationof SOTIFfor Control Module of AEBS[J].Automotive Engineering，2023，45（9）：1655-1665. 2025年第7期

[3]BRUMMELEN JV，O’BRIEN M，GRUYER D，et al. Autonomous Vehicle Perception：the Technology of Today and Tomorrow[J]. Transportation Research Part C： Emerging Technologies，2018，89： 384-406.

[4]武和全，劉瑾，龔創業，等.自動駕駛汽車的碰撞安全性研 究綜述[J].長沙理工大學學報（自然科學版），2023，20（2）： 35-44. WU HQ，LIU J， GONG C Y，et al. A Review of Crash Safety Research on Self-Driving Cars[J]. Journal of Changsha University of Science and Technology （Natural Science）， 2023，20（2）： 35-44.

[5]楊超，楊帆，王偉達，等.基于時空風險的智能駕駛車輛避 險決策規劃[J].汽車工程，2024，46（6）：975-984. YANGC，YANGF，WANGWD，et al.Risk Avoidance Decision Planning for Intelligent Driving Vehicles Based on Spatiotemporal Risk[J]. Automotive Engineering，2024， 46（6）： 975-984.

[6]李勝琴，杜鵬.考慮駕駛員差異性的安全距離模型優 化[J].江蘇大學學報（自然科學版），2023，44（3）：249- 253+261. LI SQ，DU P.Optimization of Safe Distance Model ConsideringDriverDifference[J].Journal ofJiangsu University （Natural Science Edition）， 2023，44（3）： 249-253+ 261.

[7]王孜健，李心怡，景峻，等.高速公路跟車場景的碰撞時間 改進方法及應用案例研究[J].科技與創新，2023（11）：123- 125. WANG ZJ，LI XY，JINGJ，et al.Improved Time-toCollision Method and Case Study for Highway CarFollowingScenarios[J].ScienceandTechnologyamp; Innovation，2023（11）： 123-125.

[8]孫寧.基于駕駛員特性辨識的AEB控制策略研究[D].長 春：吉林大學，2019. SUN N. Research on AEB Control Strategy Based on Driver Characteristic Identification[D]. Changchun： Jilin University， 2019.

[9]張宇豐，張友兵，周奎，等.TTC與安全時距協同AEB控制 策略[J].湖北汽車工業學院學報，2022，36（3）：35-39. ZHANG Y F， ZHANG Y B， ZHOU K， et al. Cooperative AEB Control Strategy Based on TTC and Safe Headway[J]. Journalof Hubei University of Automotive Technology， 2022， 36（3）： 35-39.

[10]楊賀博，張小俊，羅耿耿，等.基于動態碰撞時間的自動 緊急制動策略設計[J].汽車技術，2024（2）：17-24. YANG HB， ZHANG XJ，LUO G G，et al.Design of Automatic Emergency Braking Strategy Based on Dynamic Time to Collsion[J]. Automobile Technology，2024（2）：17- 24. 型半掛汽車列車AEB控制策略研究[J].汽車工程，2021， 43（9）：1350-1359+1366. GUOXJ，SUNP，DENGJ，etal.Research on AEB Control StrategyofaHeavy Tractor-SemitrailerCombination Based onBPNeural Network Algorithm Prediction[J].Automotive Engineering，2021，43（9）：1350-1359+1366.

[12]趙林峰，張丁之，王慧然，等.基于改進安全距離模型的 人機協同縱向避撞研究[J].汽車工程，2021，43（4）：588- 600. ZHAOL F，ZHANGDZ，WANGHR，et al.Studyon Longitudinal Collision Avoidance with Human-Machine Cooperation Based on Improved Safety Distance Model[J]. Automotive Engineering，2021，43（4）： 588-600.

[13]ZHAOSS，LIUY，ZHANGS，etal.ResearchonAEBCarto-Car Test Scenario in Intersection Environment[C]// International Conference on Smart Transportation and City Engineering （STCE 2023）. Chongqing， China： SPIE，2024.

[14]秦嚴嚴，肖騰飛，羅欽中，等.霧天高速公路車輛跟馳安 全分析及控制策略[J/OL].吉林大學學報（工學版）， （2023-12-01） [2025-02-10]. https：//doi. org/10.13229/j. cnki.jdxbgxb.20230634. QINYY，XIAO TF，LUOQZ， et al.Car-FollowingSafety Analysis and Control Strategy for Foggy Freeway[J/OL]. Journal of Jilin University （Engineering and Technology Edition）， （2023-12-01） [2025-02-10]. https：//doi.org/ 10.13229/j.cnki.jdxbgxb.20230634.

[15]鄧浩楠，趙治國，趙坤，等.四驅車輛交互式多模型自適 應無跡卡爾曼濾波路面附著系數估計[J].汽車工程， 2024，46（8）：1357-1369. DENG H N， ZHAO Z G， ZHAO K，et al. Estimation of Road Adhesion Coefficient Using Interactive Multiple Model Adaptive Unscented Kalman Filter for 4WID Vehicles[J]. Automotive Engineering，2024，46（8）： 1357- 1369.

[16]杜峰，程劍鋒，齊蕾，等.基于駕駛行為特性的AEB系統 控制策略研究[J].河南科技大學學報（自然科學版）， 2023，44（6）： 16-25+5 # DU F，CHENG JF，QI L，et al.Control Strategy of AEB System Based on Driving Behavior Characteristics[J]. Journal of Henan University of Science and Technology （Natural ScienceEdition），2023，44（6）：16-25+5.

[17]WANGXS，LIUQ，GUOF，etal.Causation Analysisof Crashes and Near Crashes Using Naturalistic Driving Data[J].AccidentAnalysisandPrevention，2O22，177.

[18]曹倩.電動二輪車與機動車碰撞事故嚴重程度影響因素 分析[D].淄博：山東理工大學，2023. CAOQ.Analysis of Factors Affecting Injury Severity in Crashes Between Electric Two-Wheelers and Motor Vehicles[D]. Zibo： Shandong University of Technology， 2023. （責任編輯瑞秋） 修改稿收到日期為2025年2月10日。

《汽車工程師》征稿啟事

《汽車工程師》于1974年創刊，是由中國第一汽車集團有限公司主管、中國第一汽車股份有限公司主辦的國內外公開發行的汽車應用技術類學術期刊，為RCCSE中國準核心學術期刊、CACJ中國應用型擴展期刊，被哥白尼精選數據庫、EBSCO學術數據庫、歐洲學術出版中心（EuroPub）數據庫、J-Gate數據庫收錄。

《汽車工程師》以報道汽車產品設計領域的技術研究成果為主，專注于技術開發與應用層面的創新成果，提供汽車設計創新解決方案。《汽車工程師》將把握電動化、智能化、網聯化、共享化的汽車技術主流發展趨勢，努力吸收優質稿源，為我國汽車工程技術創新能力提升貢獻力量。重點征稿方向包括：鋰離子電池與新體系電池、動力電池熱管理與熱失控、燃料電池及其關鍵零部件、車用電機及其控制器、自動駕駛汽車環境感知與感知融合、自動駕駛汽車定位與建圖、自動駕駛汽車測試、人工駕駛-無人駕駛車輛混行條件下的自動駕駛控制、智能線控底盤、一體化底盤、功能安全和預期功能安全。

熱忱歡迎汽車行業的專家學者不吝賜稿，反映國家重點扶持項目、自然科學基金項目和其他重點項目等研究成果的稿件將優先發表，我們期待與您共同踐行“把論文寫在祖國大地上\"的指示精神，為強大中國汽車工業作貢獻！

本刊使用協同采編系統處理稿件，請登陸期刊網站注冊后投稿，投稿要求見本刊網站中“下載中心\"欄目的作者指南，網址：http：//tjqc.cbpt.cnki.net。