基于场景的AEB误动作分析与优化

黄福俊

摘  要：AEB自动紧急制动（含FCW前向碰撞报警）功能能够有效减少或缓解碰撞事故的发生，但由于国内交通状况复杂，驾驶员驾驶习惯比较激进、随意，导致国内驾驶员对AEB功能的满意率欠佳，本文通过文献调研、用户意见搜集等方式，采集国内车型现有AEB误动作的典型场景，尤其是关于碰撞报警以及制动干预等方面的功能表现，结合AEB工作机理分析误动作发生的主要原因，基于典型国内交通场景并以C-NCAP星级评价等为开发目标进行优化设计，最后通过Matlab/Simulink和 PreScan等仿真工具对优化方案进行了虚拟验证。

关键词：机理分析;CAE;优化设计;C-NCAP

中图分类号：U467     文献标识码：A    文章编号：1005-2550（2018）06-0042-08

Analysis and Optimization of AEB False Positive Based on Scenarios

HUANG Fu-jun

（ Tongji University， Shanghai 200000， China ）

Abstract： AEB（Autonomous Emergency Brake） including FCW（Forward Collision Warning） function can effectively reduce or mitigate traffic accidents. However， the satisfaction rate of AEB function is poor in China because of the complex traffic situation， aggressive and rule-less driving habits. This paper collected typical false positive scenarios of AEB with false or early warning or braking through literature study and VOC （Voice of Custom） collection etc. Based on the theoretical analysis of AEB function， root causes of false positive cases were found， and then optimization was made to reduce the false warning and / or braking while meeting the safety rating goal of C-NCAP， which is greatly helpful for improving the performance of current AEB functions. CAE tools including Matlab/Simulink and PreScan were used to validate the optimization scheme virtually.

1    背景

研究表明，超过90%的交通事故都是由于人为因素导致的，ADAS（先进驾驶辅助系统）通过减少人（驾驶员）的失误，进而避免或者减缓交通事故，其原理是为驾驶员提供驾驶辅助，减少疲劳，并通过适当的報警措施提醒驾驶员及时发现事故风险，并在驾驶员反应不及时或无响应时，及时、恰当地介入车辆，控制-纵向和/或横向。据相关研究表明，基于VVSMA（基于整合分析的车辆安全性验证）组织的欧洲六国交通事故统计分析结果，AEB自动紧急制动（含FCW前方碰撞报警）能减少38%的低速工况追尾事故，从而有效减少追尾事故造成的人员伤亡和财产损失。近年来AEB（含FCW）功能在中国市场的应用也逐渐增多，并以合资品牌车型居多，但该功能的正向开发环节大多缺失，例如客户需求分析、驾驶行为分析等，与中国驾驶员的驾驶习惯以及复杂多变的交通路况脱离，用户体验参差不齐，用户满意度欠佳。从各大汽车论坛等了解到，国内用户抱怨较多的问题是系统误报警率及误制动率较高，即在不需要报警或者紧急制动时系统报警或者紧急制动，或者报警/制动时刻过早。但由于上述案例的车辆数据及环境数据较难获取，无法准确复现及分析。

同济大学的王雪松等人研究了[1]基于自然驾驶数据的避撞预警对跟车行为的影响，研究表明 ，FCW系统对跟车时的车头时距影响较小 ，但显著降低了跟车中的 反应时间。PáezF[2]等人通过对真实交通场景的重建，研究了多个AEB（Autonomous Emergency Break）系统对人车碰撞的潜在影响，结果表明许多的交通事故可以被避免。Stellet J E[3]等人分析了AEB系统对不确定预报的理论限制。

1.1   AEB系统误动作（报警/制动）分类

表1 NHTSA公布的克莱斯勒车型AEB误制动案例示例

AEB功能的应用开始于欧美，相关用户抱怨/反馈也比较系统全面。以美国NHTSA（美国高速公路交通安全管理局）关于克莱斯勒车型AEB误动作的统计结果为例，2012年7月至2015年12月之间，在美国总共发生176起克莱斯勒车型AEB误制动，详见表1。

国内车型的主动安全功能应用较晚，还处于市场培育期，用户对该功能的熟悉程度不高，获取用户抱怨/反馈的渠道也比较有限，本文通过文献调研、检索各大汽车论坛，可将国内AEB功能常见的误动作分类如下：

第一类是因为传感器对危险目标的错误判断而引起的错误报警/制动，如道路上其他障碍物：相邻车道目标、道路减速带、易拉罐、隧道标牌、停车场闸机横杆等;

第二类是因为控制策略设计不合理，导致过早报警或制动（本文研究重点），典型的AEB误动作场景如图2所示：

1.2    AEB功能竞标测试

为了全面系统了解不同车型配置的AEB功能的性能和技术解决方案，选取国外多家第三方测试机构的测试报告进行分析。图3为ADAC AEB测试车型概览。

以ADAC测试结果为例，这家德国第三方测试结构对六款车型的AEB功能进行了测试和对比分析，各车型AEB功能的报警和制动介入时间和方式见表2，从该测试结果可以看出，测试的六款车型的碰撞报警时刻，分布在2.1到4.0秒之间，其中以Infiniti M37S的4.0秒最长;自动紧急制动的介入时刻，介于0.7秒到1.9秒之间，分布范围较广，以VW Passat的1.9秒最长。采用过早的碰撞报警或者制动干预时间设置，容易在某些场景中引起不必要的报警和制动，从而引起驾驶员的不满甚至引起后车追尾等严重后果。

2     AEB误动作机理分析

2.1   AEB工作机理分析

自车开始制动时前后两车距离或碰撞时间的确定是AEB系统需要解决的关键问题之一，目前AEB系统比较常用的避撞模型为：

（1）Mazda模型

Mazda模型是Doi等人[6]提出的一种危险制动距离模型，其模型公式如下：

其中，v为自车车速，vrel为相对车速，a1为自车最大减速度，a2为前车最大减速度，t1为驾驶员反应延迟时间，t2为制动器延迟时间，d0为最小停车距离。 当两车使用全力制动时，d0能够确保两车不发生碰撞。增加延迟时间t1、t2能够使系统更加保守。

（2）Honda模型

Honda 模型[7]的碰撞预警（collision warning， Cw）的逻辑算法的制动危险距离为：

其中，v为自车车速;v2为前车车速，a1、a2分别为自车和前车的最大减速度;t1、t2分别为系统延迟时间和制动时间。

（3）Berkeley模型

在 Berkeley 模型[8]中，在碰撞预警阶段，本车辆如果发生碰撞，则公式是：

其中：t1为驾驶员反应时间，t2为制动系统延迟时间，a2为两车最大制动减速度。

（4）SeungwukMoon 模型

SeungwukMoon 模型[9]被定义为

其中：Tdelay为系统延迟时间，f（μ）为制动因数，amax为最大制动减速度。

（5）TTC模型[10]

AEB系统的关键参数主要包括报警时刻TTCw，制动时刻TTCb（包含半制动以及全力制动）、全力制动减速度值、停车/减速后的安全车距等;其中TTC的计算公式如下：

其中，t1为ECU计算时间，t2为通讯延迟，t3为制动系统建压时间。各部分的取值范围，有很多相关因素，包括目标类型，运动形态，车辆网络通讯方式，制动系统参数等。

如下图4所示，以制动干预为例，当TTC小于制动阈值时，ECU发出制动干预指令，经过CAN网络（或其他通讯方式）发送给制动系统，制动系统的电机响应有一定延迟，随后开始逐渐建压，直至达到最大制动压力，在此过程中车辆逐渐减速，直至车辆静止、制动指令结束或碰撞风险消失。

2.2   误动作原因分析

基于对AEB系统原理的了解，经过分析，得出AEB误动作的几个主要原因：

（1）报警及制动TTC较大：

相比国外驾驶员，国内驾驶员在跟车、变道时的相对车距都较小，导致在遇到危险情况时，留给驾驶员的反应时间较短，如图5所示，在不同类型的交通场景中，国内驾驶员的制动反应时间较短，综合考虑车辆紧急制动所需时间，当前主流的AEB报警时间仍早于熟练驾驶员反应时间以及车辆制动/转向所需时间，即在这些场景下，部分驾驶员仍可以通过转向和制动来避免事故。

（2）纵向安全车距设置过大：

同上，国内驾驶员跟车间距较短，现有AEB的停车/减速后安全车距较大，对驾驶员而言过于保守。

（3）对小重叠率及相邻近距离目标的安全余量设置过大：

以行人横穿马路场景为例，现有AEB系统为了优先保护行人安全，通常将人-车间距的安全余量预留较大，通常为人体宽度的50%甚至更大，所以在国内人车混流的典型场景中，包括行人在路边等候或者行人快速穿越等场景，AEB功能误报警/制动的几率较大。

3    仿真建模

本文利用Matlab/Simulink及PreScan软件对AEB优化前和优化后进行了联合仿真。PreScan是一款用于先进驾驶辅助系统和主动安全系统开发验证的仿真工具，包含完整的环境建模要素，车辆模型，传感器模型等。 如图6所示，仿真模型主要包括环境模型、车辆动力学模型、AEB/FCW控制模型、传感器及其信号融合模型等。

4    仿真分析

4.1 测试场景

本文测试场景包含C-NCAP测试场景以及国内典型交通工况提取出来的场景，C-NCAP测试场景如图7所示。图7（a）为车-车测试场景，展示了一种典型的跟车场景，即自车在不同车速下及目标车不同车速情况下的场景;图7（b）为车-行人测试场景 ，行人自车辆远端靠近;图7（c）为车-行人测试场景 ，行人自车辆近端靠近。

4.2   仿真结果

在仿真模型中，根据竞标车型的参考数据以及在研车型的技术特点，将AEB功能初始参数设置表3所示。根据仿真结果可知，初始AEB参数设置，可以满足C-NCAP AEB測试场景的避撞要求，见表4-表5;但在典型误动作测试场景中，如表6所示，由于AEB过早进行报警或制动干预，容易引起驾驶员的抱怨，甚至造成后车追尾等严重后果。

對于以上场景，部分车速变化曲线如图8所示，从图中可以看出，一旦AEB开始工作，车速出现明显变化。

5    优化设计

5.1   优化设计方案

为了减少AEB误报警及误制动，参考国内驾驶员典型驾驶行为统计数据，并以满足C-NCAP星级评价为主要目标之一，将初始AEB参数优化如表7所示。

5.2   优化仿真结果

优化后的仿真结果显示，由于AEB系统取消了半制动过程，仅保留报警和全力制动，报警时刻相对延后了，全力制动时间也明显延后，与国内驾驶员典型特点较近，所有测试场景均未再出现误报警和误刹车，改善效果明显。

图9为AEB参数优化后的速度加速度曲线，从图中可以看出，没有误报警和误刹车情况下，车辆加速度和速度均没有明显变化，符合实际情况和驾驶员预期。

6   结论

本文统计了国内车型AEB功能误动作的典型场景，结合AEB工作机理分析误动作发生的主要原因，基于国内驾驶员典型驾驶习惯的统计分析，以减少误动作并满足C-NCAP星级评价等为开发目标进行优化设计，仿真结果显示优化后的AEB功能对于不同交通场景、不同目标类型等具有良好的鲁棒性，在满足C-NCAP星级评价目标的前提下，有效减少误动作比例。本文研究紧扣行业热点，符合行业发展趋势，统计分析、理论分析和仿真优化相结合，系统、高效地完成了对现有AEB功能的优化设计，为AEB功能及同类功能的正向开发提供了宝贵的工程实践经验。

参考文献：

[1]王雪松，朱美新，邢祎伦.基于自然驾驶数据的避撞预警对跟车行为影响[J].同济大学学报（自然科学版），2016，44（7）：1045-1051.

[2]Páez F， Javier， Sánchez S， et al. BENEFITS ASSESSMENT OF AUTOMATIC BRAKE ON REAL PEDESTRIAN COLLISIONS[C]// FISITA 2016 World Automotive Congress. 2016.

[3]Stellet J E， Vogt P， Schumacher J， et al. Analytical derivation of performance bounds of autonomous emergency brake systems[C]//Intelligent Vehicles Symposium. IEEE， 2016.

[4]Singer R A. Estimating optimal tracking filter performance for manned maneuvering targets[J]. IEEE Trans.aerosp. & Electron.syst， 1970，6（4）：473-483.

[5]周宏仁等.机动目标跟踪[M].国防工业出版社，1991.

[6]Doi A， Butsuen T， Niibe T， et al. Development of a rear-end collision avoidance system with automatic brake control[J]. Jsae Review， 1994，15（4）：335-340.

[7]Fujita Y， Akuzawa K， Sato M. Radar Brake System[J].Jsae Review，1995，16（1）：113.

[8]Seiler P， Song B， Hedrick J K. Development of a Collision Avoidance System[J]Neurosurgery， 1998， 46（2）：492-492.

[9]SeungwukMoon， KyongsuYi. Human driving data-based design of a vehicle adaptive cruise control algorithm[J]. Vehicle System Dynamics， 2008， 46（8）：661-690.

[10]Yoshida H， Awano S， Nagai M， et al. Target Following Brake Control for Collision Avoidance Assist of Active Interface Vehicle[C]// SICE-ICASE， 2006. International Joint Conference.IEEE， 2007：4436-4439.