车辆与二轮车预碰撞场景分析及其AEB优化

车辆自动紧急制动(AEB)系统的应用存在大量误识别和不合理决策的挑战,在典型场景下开展测试,可以有效提高AEB的适用性。对国内外相关研究进行分析,从12类车辆与二轮车预碰撞场景中提取AEB测试重点关注的2类涉及参与方转向的场景(场景S11和S12),建立2类典型场景下的Pre-scan模型和量化描述二轮车相对于车辆运动轨迹的数学模型,并对AEB的效用及改进方向进行定性和定量分析。结果表明:场景S11和S12中,二轮车在运动坐标系下的运动轨迹仅与车辆和二轮车速度比值相关;场景S11中,仅当车辆和二轮车速度比值取为(0.7888,+∞)时,二轮车能够进入车辆AEB触发域,将AEB视场角从60°增大到90°,可有效改善AEB触发效果,速度比值范围从(0.7888,+∞)增加至(0.2033,+∞);场景S12中,当二轮车和车辆速度比值取为(0,(?v+2.46)/9.64)时,车辆AEB具有较好的触发效果,将AEB触发宽度从1.5 m扩大至2 m时,对AEB触发效果的改善幅度不大。研究成果可为AEB系统的改进优化提供技术支撑。

假人与人体模型在AEB作用下的驾驶员离位响应对比

为研究假人与人体模型在不同制动强度下驾驶员离位响应差异性,进行假人与人体模型的仿真实验。构建人体乘员约束测试装置(THOR)假人和人体安全模型(THUMS)的驾驶员约束系统模型,将MADYMO的主动人体模型(AHM)与LS-DYNA有限元约束系统耦合构建AHM模型的驾驶员约束系统模型,提取假人与人体模型头部、肩部、胸部及膝部的位移―时间历程曲线,并开展假人与人体模型离位差异性分析和不同安全带约束下驾驶员离位分析。结果表明:参考志愿者实验数据,3个模型离位都在志愿者响应通道范围内,人体模型AHM和THUMS具有更高的离位运动生物逼真度;相较于标准安全带,主动预紧安全带能够有效降低驾驶员在自动紧急制动(AEB)工况下离位响应。

考虑前车制动意图的自动紧急制动策略及其测试评价方法

为提高车辆自动紧急制动(AEB)系统的避撞性能,提出了一种考虑前车制动意图的AEB策略及其测试评价方法。通过搭建“PreScan+Simulink+驾驶模拟器”联合仿真平台采集驾驶人制动数据,基于K-均值(K-Means)聚类方法对制动意图进行分类,采用滑动时间窗口提取了意图识别模型训练数据集;通过双层隐马尔可夫模型识别前车制动意图,主车根据不同制动意图计算临界安全距离阈值并制定避撞控制策略;建立PreScan+Simulink虚拟仿真测试环境,提出了基于层次分析法的AEB策略综合评价方法,通过与4种典型AEB控制模型进行对比,验证了所提出方法在不同制动程度场景下均可及时触发制动以避免碰撞,同时可减少过早制动造成的驾驶不适感。

自动紧急制动系统仿真及测试平台研究

为了解决自动驾驶虚拟场景测试存在的缺少实物联动和实车里程测试周期长、成本高等问题,基于虚拟场景构建技术并结合自动驾驶汽车线控底盘架构,设计了多计算机系统、通信、信号采集和轮速模拟等硬件模块,搭建了一套自动紧急制动系统仿真测试台架。根据自动紧急制动(AEB)系统工作原理,基于碰撞时间(TTC)的安全距离模型,设计了AEB系统三级控制策略算法。通过CarSim构建虚拟仿真场景和车辆模型,在仿真测试平台上,对AEB控制算法进行目标静止、目标移动和目标制动三种工况下的自动制动性能测试。测试结果表明,被测AEB在三种测试工况下均能控制车辆制动减速,避免发生碰撞,具有良好的制动稳定性。测试平台实现了对AEB系统的仿真测试与结果显示,验证了所设计的测试平台的可行性,并能够满足AEB的测试需求。

基于事故数据挖掘的AEB路口测试场景

基于国家车辆事故深度调查体系中499例真实的路口事故数据,研究适应于中国的自动紧急制动系统(AEB)路口测试场景。通过基于多元Logistic回归的事故严重程度影响因素分析,提取自动驾驶测试场景的特征要素,构建测试场景。以场景特征要素为聚类参数,采用层次聚类算法挖掘得到了8类路口机动车碰撞典型危险场景,建立了8类适应于中国交通状况的AEB路口测试场景。研究表明:中国的路口场景与Euro-NCAP法规场景有一定的相似性,但较国外更加复杂,其中十字路口的左转与直行冲突是需要重点测试的场景。研究结果可为国内AEB系统的开发和测试提供参考,也可作为建立中国AEB路口测试评价体系的依据。

AEB制动对THOR 50^(th)假人乘坐姿态影响

为了获得在制动紧急系统(AEB)系统作用下THOR 50^(th)假人姿态变化特征,论述了车辆AEB系统在前车静止(CCRs)、前车慢行(CCRm)和前车制动(CCRb)3种测试工况试验方法并获取了AEB系统近似梯形的典型制动波形,采用二项式拟合方法构建了典型波形,分析了THOR 50^(th)假人坐姿离位特征。结果表明:当初始速度低于40 km/h时,相同初始速度下,减速度越大,THOR 50^(th)假人头部和胸部前倾量越大;在相同制动加速度下,初始车速增大,假人头部和胸部位移增大;在初始速度为40 km/h时,AEB紧急制动造成头部和胸部离位程度最大。

汽车自动紧急制动(AEB)行人检测系统的开发与测试

开发了一种汽车主动安全技术的汽车自动紧急制动(AEB)行人检测系统。该系统包含软体假人目标、假人驱动装置及其控制系统,可按照2018版中国新车评价规程(C-NCAP)的AEB行人系统测试场景的要求,驱动假人目标行走,并可与操控测试车辆的驾驶机器人实时通讯。开展了对假人目标行走距离、假人目标行走速度和与驾驶机器人的联动实验。结果表明:该系统实验一次成功率达到90%以上,对假人速度控制的准确度96%,对假人与车辆碰撞位置的准确度达96%;该系统可准确复现行人危险工况。因此,该AEB行人检测系统可用于开展C-NCAP(2018)行人测试实验,作为车辆AEB系统功能评测及相关产品开发工具。

基于人、车、路和环境的AEB控制策略发展研究综述

分析了经典自动紧急制动(AEB)控制策略的发展现状及局限性,从人、车、路以及环境等因素出发,总结了AEB控制策略在驾驶员特性、车辆属性、路面特性、应用场景等方面的完善与发展过程。驾驶员特性影响个性化的驾驶员需求,车辆的感知、结构与制动特性等引起车辆固有属性的差异,不断更新的路况导致路面附着系数实时变化,多样化的工况场景决定了AEB控制策略的应用条件,研究表明,上述动态变化的因素要求AEB控制策略应具有一定的适应性与鲁棒性,对AEB控制策略的发展具有十分重要的作用,综合考虑人、车、路以及环境等因素的AEB控制策略是提高AEB系统可靠性与安全性的必要条件。

自动紧急制动(AEB)技术的研究与进展

为了促进汽车自动紧急制动(AEB)技术朝着更加安全与高效的方向发展,该文从AEB系统的工作原理、发展历程、应用现状、法规标准等方面,综述了AEB技术的研究进展,总结了与AEB系统综合性能密切相关的关键技术,包括AEB系统避撞策略、制动执行机构和环境感知机构。研究表明:自动紧急制动系统能够有效避免或者缓解追尾碰撞,可提高车辆主动安全性能;受制于目前制动执行技术和前端感知技术水平,AEB系统无法实现汽车在更高车速范围以及更复杂多交通场景下的完全避撞。自动紧急制动系统未来研究的重点在于:复杂多交通场景下避撞策略综合性能优化;基于更快响应时间目标的制动执行机构研发;危险行驶工况下与多种主动安全技术的深度融合及协调控制。

面向自动紧急制动功能测试的目标物移动平台设计

为实现车辆自动紧急制动(AEB)系统功能测试中目标物移动平台的开发,针对移动平台进行了构型设计、强度分析、疲劳寿命估计、测试场景路径跟踪等研究。通过对《C-NCAP管理规则(2024年版)》规定的测试场景进行分析,提取目标物运动路径,根据边界条件得到期望轨迹,再通过动力学仿真得到轨迹跟踪结果。经过对比,仿真结果与规定要求基本一致,表明设计的移动平台能够满足AEB系统功能测试需求。

基于融合算法的电动汽车AEB控制策略

自动紧急制动(Autonomous Emergency Braking,AEB)是一种主动安全技术.为了解决安全距离算法或碰撞时间算法(Time-to-Collision,TTC)不能同时保障安全性和舒适性的问题,提出一种基于融合算法的控制策略,该策略综合利用安全距离算法和TTC算法,在安全距离算法中针对道路附着系数变化进行了优化,以两车最小相对距离为优化目标提高安全性,以预警时长为优化目标提高舒适性.建立了基于Carsim和Simulink仿真平台,对该策略进行了仿真分析.结果表明:在中国新车评价规程(China New Car Assessment Program,C-NCAP)中,该策略可以在不同工况下实现避撞功能并提升舒适性.

AEBS场地测试方法

随着AEBS(自动紧急制动系统)的逐渐普及,对该系统的功能、性能的测试也变得十分重要,目前AEBS常用的测试方法中只能进行100%重叠的两车碰撞测试,不能很好的适用于带偏置的碰撞以及交叉路口的侧向碰撞试验。本文提出的AEBS系统的场地测试方法,使用能够设定任意轨迹的UFO设备作为目标物,配合安装ABD机器人的测试车辆进行试验;该试验方法可以进行各种角度、场景的碰撞试验。论文首先描述了该测试方法的组成,然后介绍了测试的工况,紧接着对各个工况的测试方法进行了详细的论述,最后进行了实车测试验证。测试结果表明,该方法简单、方便、可靠。

AEB对前碰假人运动姿态影响研究

AEB系统可以在碰撞事故中避免碰撞或者降低碰撞相对速度,但同时也会导致车内乘员偏离正常坐姿,进而降低原有约束系统的保护性能。在对Hybrid III与THUMS两种假人模型的颈部、胸椎及腰椎进行三点弧简化的基础上,搭建驾驶员有限元约束系统模型,分析正面碰撞中,两种假人模型颈部、胸椎及腰椎旋转运动的区别。并进一步研究了AEB作用对于两种假人模型转动姿态的影响。结果表明:AEB作用结束后,假人初始姿态发生变化,相比Hybrid III假人,THUMS假人躯干前倾现象更明显,骨盆有更大的向前滑移量;AEB作用下,两假人颈部与腰椎夹角变化有较大区别。

AEB系统的CarMaker/Simulink联合仿真研究

针对汽车AEB系统,提出了一种基于碰撞时间的控制算法。研究选取车辆碰撞时间作为控制变量,通过输出的期望减速度来确定各车轮上的制动力矩,从而提高车辆的纵向行驶安全性。为保证研究的准确性,采用CarMaker/Simulink联合建立虚拟仿真环境,并选取C-NCAP(2018版)AEB系统的追尾评分场景进行验证。结果表明:试验较好地验证了AEB系统算法的有效性;根据碰撞时间可以准确预判危险程度,使车辆保持在合适的安全车距范围内。

基于实车测试的AEB系统测试评价方法研究

基于对实车自动紧急制动和前向碰撞预警功能的测试数据,研究了自动紧急制动(AEB)系统的测试评价方法。通过在碰撞点偏置、夜间环境、儿童和骑车人目标物、弯道等不同的测试场景中对AEB系统进行测试,分析各场景对AEB系统的自动紧急制动功能、前向碰撞预警功能和漏识别率的影响,并根据试验中AEB系统的碰撞时间(TTC)、制动减速度峰值、制动停止后距离等参数的变化情况,研究了使用各参数评价AEB系统的合理性和必要性。

不同光照不同偏置率碰撞场景的AEB系统测试与评价

为提升自动紧急制动(AEB)系统的安全性与稳定性,对两款同类型商用的AEB系统,进行了测试与评价。设置白天、夜间2种光线环境,50%、75%、100%3种不同偏置程度的2种目标物(标准假车、骑自行车人模型),研究在光线变化条件下,系统的预警时机、制动效能、避免碰撞时的刹停距离、制动策略等性能表现。结果表明:与偏置场景相较,正碰撞场景下的预警时机较早,制动时机介入滞后,制动效能增大;与白天相比,夜晚场景下几种偏置率场景对AEB系统的预警时机的影响程度明显增加;车辆制动停止后与目标车的距离随偏置程度的增加、光线变暗而减小。

基于事故数据行人AEB系统传感器参数优化

为优化行人自动紧急制动(AEB)系统以适用国内道路交通状况,采集并筛选出52例典型车辆与行人碰撞事故案例,并运用PC-Crash软件进行事故重建.将雷达和摄像机关键参数在仿真软件PreScan中按照欧洲新车评价规程(Euro-NCAP)标准场景进行测试,得到车辆与行人事故中AEB关键参数最优组合.将得到的最优参数组合应用于筛选出的52例典型事故案例,验证传感器最优参数组合的可行性.研究结果可为行人AEB系统设计与优化提供一定参考.

基于CarSim与Simulink联合仿真的路口转向AEB控制算法设计与验证

针对汽车在路口转向时遇到障碍物,自动紧急制动系统(Autonomous Emergency Braking,AEB)难以判断驾驶员意图导致误制动或未强行制动的问题,通过模糊控制算法来优化设计AEB,基于CarSim与Simulink联合仿真开展不同工况下的仿真实验,并验证所设计的AEB控制算法能有效预判移动目标,取得了良好的控制效果,对一些因素的干扰也具有较好的鲁棒性。

自动紧急制动对公交车内儿童乘员颅脑损伤影响

目的研究自动紧急制动(autonomous emergency braking,AEB)对公交车内儿童乘员的颅脑损伤影响。方法使用Prescan软件搭建公交车AEB测试场景,通过仿真得到60 km/h初速度下公交车AEB制动工况下的减速度曲线。基于已经验证的公交车模型和具有详细解剖学头部结构的6岁儿童混合有限元模型,选取车内儿童乘员典型的4个乘坐位置,使用LS-DYNA软件对公交车有、无AEB制动工况下儿童乘员头部损伤进行仿真。以儿童乘员头部损伤指标HIC_(15)、大脑灰质处压力、脑组织von Mises应力及剪切应力作为损伤评价指标,对儿童乘员的颅脑损伤进行分析。结果各组仿真试验中,位置1和2前方设置挡板时,儿童乘员大脑灰质处压力超过其损伤阈值,其余各位置儿童乘员的各项损伤指标均远小于对应的损伤阈值。结论AEB能有效降低公交车内儿童乘员头部碰撞损伤,公交车内位置3处的儿童容易发生碰撞损伤风险,位置1、2处设置广告牌挡板会增加儿童乘员的颅脑损伤风险。

自动驾驶自动紧急制动关键场景测试案例提取研究

为提取自动驾驶自动紧急制动(autonomous emergency braking system,AEB)关键场景测试案例,依据不同抽象程度依次重构符合自然驾驶规律的功能场景、逻辑场景、具体场景,进而对AEB系统展开测试并求解其关键场景。从自然驾驶数据集NGSIM筛选出车辆跟随实例构建出功能场景,基于场景要素构建功能场景,提取出该场景的关键字要素,采用高斯混合模型拟合自然驾驶数据,获得具有概率密度分布的逻辑场景,基于Gibbs抽样的蒙特卡洛方法生成具体测试实例,并通过重要性抽样方法生成关键场景。最后对生成到的关键场景聚类加速场景生成,并对其AEB系统在Prescan仿真软件进行测试。结果表明,AEB系统可对生成的关键场景实现避免碰撞。