半掛汽車(chē)側(cè)翻預(yù)警算法研究綜述

李明桃，高久懿，張永輝，李德文

（南京林業(yè)大學(xué) 汽車(chē)與交通工程學(xué)院，江蘇 南京 210037）

隨著重型貨車(chē)技術(shù)性能的提升，以及大宗貨物中長(zhǎng)距離運(yùn)輸客觀需求的不斷增加，半掛汽車(chē)在高速公路上的交通量占比迅速上升，自2006年開(kāi)始到2010年，由20.47%爬升至41.85%，自2010年后窄幅震蕩，于2018年達(dá)到歷史峰值47.94%。此外，從貨物周轉(zhuǎn)量上來(lái)看，半掛列車(chē)由最初的貨物周轉(zhuǎn)量占比不足60%，持續(xù)上升至2011年的82.31%，并隨著 6軸貨車(chē)的出現(xiàn)與普及，持續(xù)增長(zhǎng)至2018年的86.32%。隨著高速公路的綜合化發(fā)展，重型半掛列車(chē)占比仍將不斷提高。

半掛汽車(chē)列車(chē)的占比提高也帶來(lái)了不可避免的半掛汽車(chē)列車(chē)交通事故占比提高，半掛汽車(chē)因?yàn)槠漭d重量大，輪距短，以及行駛時(shí)車(chē)身質(zhì)心位置高，車(chē)身長(zhǎng)等特點(diǎn)，在運(yùn)輸過(guò)程中極易發(fā)生彎道失穩(wěn)側(cè)翻，導(dǎo)致嚴(yán)重的交通事故。2015年，美國(guó)國(guó)家交通安全局的統(tǒng)計(jì)資料顯示，其全年涉及半掛汽車(chē)列車(chē)的嚴(yán)重交通事故有 3 598起，占比29%，死亡人數(shù)達(dá)3 903人，占交通事故死亡總?cè)藬?shù)的 47%。因此，很多研究人員在研究半掛車(chē)失穩(wěn)機(jī)理的同時(shí)，也開(kāi)始著手半掛車(chē)側(cè)翻預(yù)警系統(tǒng)的研究，并在此基礎(chǔ)上開(kāi)展了很多算法的開(kāi)發(fā)與應(yīng)用。本文總結(jié)了傳統(tǒng)的半掛車(chē)側(cè)翻預(yù)警系統(tǒng)的優(yōu)缺點(diǎn)，對(duì)現(xiàn)有側(cè)翻預(yù)警算法的特點(diǎn)進(jìn)行了分類(lèi)，在此基礎(chǔ)上概括了每一類(lèi)側(cè)翻預(yù)警算法的特點(diǎn)，并對(duì)下一步的研究方向進(jìn)行了展望。

1 半掛車(chē)側(cè)翻失穩(wěn)機(jī)理

1.1 半掛車(chē)側(cè)翻失穩(wěn)類(lèi)型

半掛車(chē)側(cè)翻類(lèi)型與汽車(chē)側(cè)翻類(lèi)型較為一致，基本上分為兩類(lèi)：在路側(cè)翻和離路側(cè)翻，如圖1所示。

圖1 側(cè)翻類(lèi)型[2]

其中，在半掛車(chē)彎道行駛時(shí)，側(cè)翻類(lèi)型大致有兩種：（1）車(chē)輛速度超過(guò)閾值，在過(guò)大離心力的作用下，車(chē)輛行駛中的側(cè)向加速度過(guò)大，從而導(dǎo)致側(cè)翻；（2）車(chē)輛橫擺穩(wěn)定性喪失，繼而側(cè)向滑移絆倒，導(dǎo)致交通事故發(fā)生。

1.2 半掛車(chē)失穩(wěn)影響因素

半掛車(chē)側(cè)翻事故高發(fā)地段在公路的彎道部分，然而，使半掛車(chē)失穩(wěn)側(cè)翻的原因也是多種多樣的，人車(chē)路是構(gòu)成交通的三要素，同時(shí)也是影響半掛車(chē)行駛安全最主要的三個(gè)要素。

1.2.1 半掛車(chē)結(jié)構(gòu)因素

半掛車(chē)由牽引車(chē)和拖車(chē)通過(guò)鞍座鉸鏈連接而成，兩個(gè)部分相互影響，使半掛車(chē)的動(dòng)力學(xué)模型及其復(fù)雜；轉(zhuǎn)彎行駛時(shí)，由于拖車(chē)后軸距離連接點(diǎn)較遠(yuǎn)，駕駛員在駕駛過(guò)程中對(duì)于后軸部分的側(cè)傾狀態(tài)感知較弱，無(wú)法提前預(yù)知車(chē)輛狀態(tài)，極其容易在轉(zhuǎn)彎時(shí)發(fā)生側(cè)翻事故。且半掛車(chē)由于牽引車(chē)與拖車(chē)兩部分通過(guò)鉸鏈連接，轉(zhuǎn)彎時(shí)產(chǎn)生尾部放大效應(yīng)，使得側(cè)傾狀態(tài)在拖車(chē)尾部進(jìn)一步放大，此時(shí)半掛車(chē)橫向載荷轉(zhuǎn)移率加大，車(chē)輪很容易離地從而導(dǎo)致側(cè)翻。

半掛車(chē)的質(zhì)心較高，且載荷較大，不同的裝載物品在彎道行駛時(shí)對(duì)于半掛車(chē)整體質(zhì)心影響不同，導(dǎo)致半掛車(chē)轉(zhuǎn)動(dòng)慣量不同，使半掛車(chē)側(cè)傾穩(wěn)定性降低，極其容易導(dǎo)致側(cè)翻。

1.2.2 駕駛員操作因素

半掛車(chē)的側(cè)傾穩(wěn)定性較弱，在彎道行駛時(shí)，由于離心力的影響，車(chē)速越高，側(cè)向加速度越大。較高的車(chē)速會(huì)使半掛車(chē)側(cè)向加速度超過(guò)閾值，側(cè)傾穩(wěn)定性下降而容易側(cè)翻；

同時(shí)，在連續(xù)彎道部分，駕駛員會(huì)頻繁轉(zhuǎn)動(dòng)方向盤(pán)以修正轉(zhuǎn)向，半掛車(chē)載重量大時(shí)側(cè)傾慣量也較大，頻繁轉(zhuǎn)向會(huì)使車(chē)輛側(cè)傾角速度加大，使側(cè)翻事故發(fā)生。

半掛車(chē)在彎道部分，駕駛員需要進(jìn)行制動(dòng)以控制車(chē)速，然而，過(guò)大的制動(dòng)力會(huì)使車(chē)輛橫向載荷轉(zhuǎn)移率迅速增大，發(fā)生瞬態(tài)側(cè)翻。

1.2.3 道路因素

道路的路面抗滑性能對(duì)半掛車(chē)行駛性能具有極大的影響。與干燥的道路路面相比，潮濕、降雪或結(jié)冰的道路路面附著性降低，在彎道行駛時(shí)極易產(chǎn)生側(cè)滑從而導(dǎo)致半掛車(chē)側(cè)翻，會(huì)增大半掛車(chē)道路運(yùn)輸?shù)奈ｋU(xiǎn)性。同樣的，若路面粗糙度太高，則會(huì)增大半掛車(chē)輪胎的磨損，影響半掛車(chē)的行駛安全。同時(shí)，過(guò)長(zhǎng)的直行道路會(huì)對(duì)駕駛員的視覺(jué)反應(yīng)以及心理承受能力產(chǎn)生極大的影響，過(guò)長(zhǎng)時(shí)間的直線行駛會(huì)讓駕駛員產(chǎn)生過(guò)于煩躁的感受，對(duì)于半掛車(chē)長(zhǎng)途運(yùn)輸來(lái)說(shuō)，煩躁的心理極其影響駕駛員的反應(yīng)與判斷，是運(yùn)輸安全里的極大隱患。

1.3 半掛車(chē)側(cè)翻穩(wěn)定機(jī)理

為了闡述半掛車(chē)側(cè)翻失穩(wěn)機(jī)理，建立如圖 2所示的穩(wěn)態(tài)轉(zhuǎn)向下半掛車(chē)側(cè)翻穩(wěn)定模型。其中為整車(chē)質(zhì)量；a為半掛車(chē)重心處的側(cè)向加速度；為車(chē)輛重心高度；、為車(chē)輛兩側(cè)輪胎垂直載荷；為輪胎間距；Δ為車(chē)輛重心相對(duì)于輪距中心點(diǎn)的偏移量。車(chē)輛重力作用在車(chē)輛重心處的外部側(cè)向慣性力形成側(cè)翻力矩..a；由于車(chē)輛順從特性而使車(chē)輛重力作用在輪距中心側(cè)偏點(diǎn)形成另一個(gè)側(cè)翻力矩.Δ。由于車(chē)輛順從特性而使輪胎垂直載荷從內(nèi)向外轉(zhuǎn)移形成一個(gè)與側(cè)翻力矩對(duì)抗平衡的側(cè)翻穩(wěn)定力矩（－）./2。

圖2 穩(wěn)態(tài)轉(zhuǎn)向下半掛車(chē)側(cè)傾模型

至此，得到車(chē)輛繞輪距中心點(diǎn)側(cè)傾力矩平衡方程

由式（1）得，半掛車(chē)發(fā)生側(cè)翻的臨界條件為=－，此時(shí)左右車(chē)輪垂直載荷均轉(zhuǎn)移到外側(cè)輪胎上。

2 半掛車(chē)側(cè)翻預(yù)警典型算法

2.1 側(cè)向加速度監(jiān)測(cè)法

加拿大REKHEJA和 PICHE于1990年在靜態(tài)轉(zhuǎn)向條件下，以低速時(shí)車(chē)輛的側(cè)向加速度以及高速時(shí)車(chē)輛車(chē)軸側(cè)傾角的狀態(tài)為側(cè)翻指標(biāo)，通過(guò)判斷其是否在安全閾值范圍內(nèi)來(lái)判定危險(xiǎn)等級(jí)，并以此對(duì)駕駛員進(jìn)行安全警示；澳大利亞墨爾本道路使用研究中心于1997年基于側(cè)向加速度監(jiān)測(cè)法開(kāi)發(fā)了一套側(cè)翻預(yù)警系統(tǒng)，將實(shí)時(shí)監(jiān)控的側(cè)向加速度數(shù)據(jù)與預(yù)先計(jì)算出的極限值進(jìn)行比較，并據(jù)此判斷車(chē)輛運(yùn)行狀態(tài)，通過(guò)車(chē)載蜂鳴器及時(shí)提醒駕駛員，達(dá)到預(yù)警效果；2007年，Sverrisson以實(shí)際側(cè)向加速度占極限側(cè)向加速度百分比大小為標(biāo)準(zhǔn)來(lái)進(jìn)行預(yù)警。

基于車(chē)輛側(cè)向加速度的預(yù)警方法以靜態(tài)條件為主要條件，將車(chē)輛視作剛體，不考慮車(chē)輛運(yùn)動(dòng)時(shí)的動(dòng)態(tài)特性，過(guò)于簡(jiǎn)單。且以單一的側(cè)向加速度、側(cè)傾角等參數(shù)作為預(yù)警的標(biāo)準(zhǔn)，不夠準(zhǔn)確，效果較差。

2.2 橫向載荷轉(zhuǎn)移率法

Preston-Thomas和Woodrooffe 以橫向載荷轉(zhuǎn)移率（Lateral-load Transfer Rate, LTR）作為判斷車(chē)輛側(cè)翻的指標(biāo)，LTR監(jiān)測(cè)車(chē)輪垂直受力，將車(chē)輛兩側(cè)垂直受力載荷之差與車(chē)輛兩側(cè)垂直受力載荷之和的比值作為指標(biāo)。其定義為

當(dāng)左右側(cè)輪胎垂直受力載荷均勻（橫向載荷轉(zhuǎn)移率為0時(shí)），LTR=0；若車(chē)輛某一側(cè)輪胎垂直載荷消失，即輪胎離地，LTR=1，此時(shí)，車(chē)輛側(cè)向加速度達(dá)到閾值。

橫向載荷轉(zhuǎn)移率法的精確度遠(yuǎn)高于傳統(tǒng)的只考慮靜態(tài)條件的單一參數(shù)預(yù)警法，因此，自Preston-Thomas和Woodrooffe后，越來(lái)越多的學(xué)者以LTR為側(cè)翻預(yù)警指標(biāo)進(jìn)行側(cè)翻預(yù)警系統(tǒng)設(shè)計(jì)并對(duì)其進(jìn)行了改進(jìn)；韓國(guó)汽車(chē)研究中心在LTR的基礎(chǔ)上考慮了懸架與輪胎的參數(shù)，根據(jù)其非線性特點(diǎn)，使預(yù)警算法更加貼合實(shí)際；2013年，LARISH建立 LTR模型時(shí)考慮了車(chē)輛轉(zhuǎn)向與側(cè)向加速度，對(duì)預(yù)測(cè)的實(shí)時(shí)性進(jìn)行了改善，此算法可以更為精準(zhǔn)地在車(chē)輛運(yùn)行過(guò)程中調(diào)整側(cè)翻的閾值，即可預(yù)測(cè)的橫向載荷轉(zhuǎn)移率算法（PLTR）；在考慮車(chē)輛系統(tǒng)時(shí)滯性的問(wèn)題上，張志勇在LTR模型中加入了灰色模型法，田順在此基礎(chǔ)上加入了弱化算子，進(jìn)一步提升了半掛車(chē)在復(fù)雜工況下的預(yù)警。

LTR作為車(chē)輛側(cè)翻指標(biāo)，除了關(guān)注輪胎壓力，不需要考慮車(chē)輛其他的影響因素，普適性較好，但汽車(chē)行駛過(guò)程中左右車(chē)輪的載荷不易測(cè)量，LTR值獲取不易，需要一定的優(yōu)化模型進(jìn)行改進(jìn)。

2.3 側(cè)翻保護(hù)能量?jī)?chǔ)備法

側(cè)翻保護(hù)能量?jī)?chǔ)備法由密蘇里大學(xué)哥倫比亞分校 NALECZ在 1993年提出，表示為汽車(chē)從當(dāng)前位置狀態(tài)變化到側(cè)翻位置時(shí)所需要的能量差。

該算法以 RPER值的正負(fù)作為判斷車(chē)輛側(cè)翻的標(biāo)準(zhǔn)，即 RPER值為正值時(shí)，車(chē)輛正常運(yùn)行；當(dāng) RPER值為負(fù)值時(shí)，車(chē)輛將出現(xiàn)側(cè)翻狀況。此后，黃明亮等對(duì)側(cè)翻保護(hù)能量?jī)?chǔ)備法進(jìn)行了改進(jìn)，考慮了車(chē)速、側(cè)傾角、側(cè)傾角速度以及轉(zhuǎn)向角等參數(shù)，將其整合，得出干擾系數(shù)，并據(jù)此建立了側(cè)翻預(yù)警系統(tǒng)。

側(cè)翻保護(hù)能量?jī)?chǔ)備法具有實(shí)時(shí)性，也較為簡(jiǎn)便，可以很好地實(shí)現(xiàn)側(cè)翻預(yù)警。

2.4 側(cè)翻失穩(wěn)評(píng)價(jià)指標(biāo)

LIU所提出的側(cè)翻失穩(wěn)評(píng)價(jià)指標(biāo)與 LTR相近，范圍值在－1與1之間。其定義為

側(cè)翻失穩(wěn)評(píng)價(jià)指標(biāo)充分考慮了半掛車(chē)輛運(yùn)行時(shí)的側(cè)向加速度和車(chē)軸側(cè)傾角，更為適應(yīng)不同車(chē)輛的尺寸以及駕駛員的駕駛習(xí)慣，尤其是對(duì)于非絆倒側(cè)翻和絆倒側(cè)翻工況具有良好的普適性。

2.5 物理樣機(jī)

美國(guó)密歇根大學(xué)交通運(yùn)輸研究中心 UMTRI開(kāi)發(fā)了一套名為RSA的物理樣機(jī)，通過(guò)視覺(jué)刺激為駕駛?cè)藛T進(jìn)行預(yù)警，這個(gè)系統(tǒng)在汽車(chē)穩(wěn)定運(yùn)行后，測(cè)量側(cè)向加速度，將其與極限值進(jìn)行對(duì)比。

此系統(tǒng)的優(yōu)勢(shì)在于，具有實(shí)時(shí)性，根據(jù)車(chē)輛運(yùn)行時(shí)測(cè)得的車(chē)輛載荷變化與車(chē)輛具體參數(shù)，對(duì)極限值進(jìn)行動(dòng)態(tài)調(diào)節(jié)，對(duì)于以后的車(chē)載預(yù)警系統(tǒng)開(kāi)發(fā)具有一定的啟發(fā)，專(zhuān)利 WO2004110809就參考了RSA物理樣機(jī)，對(duì)設(shè)計(jì)的預(yù)警系統(tǒng)進(jìn)行了相應(yīng)的改進(jìn)。

2.6 側(cè)翻時(shí)間預(yù)警法

CHEN和PENG等，建立側(cè)翻時(shí)間預(yù)測(cè)矩陣，在此基礎(chǔ)上提出了TTR算法，該算法以車(chē)輛正常行駛到一側(cè)車(chē)輪離開(kāi)地面而發(fā)生側(cè)翻的時(shí)間為判斷標(biāo)準(zhǔn)，即將方向盤(pán)轉(zhuǎn)角代入到建立的動(dòng)態(tài)車(chē)輛模型中計(jì)算，若計(jì)算值為N秒，則表示車(chē)輛根據(jù)當(dāng)前的運(yùn)行狀態(tài)，在N秒后，車(chē)輛的橫向載荷轉(zhuǎn)移率LTR≥1，此時(shí)車(chē)輛側(cè)翻。理想狀態(tài)下TTR工作原理如圖3所示。

圖3 理想狀態(tài)下TTR工作原理

CHEN為了提高由于模型過(guò)于簡(jiǎn)單而降低的精度，還引入了神經(jīng)網(wǎng)絡(luò)進(jìn)行改善，但這也使模型的實(shí)時(shí)性降低。由于 CHENEY所提出的 TTR算法模型建立單一，因此，為了改善其實(shí)時(shí)性，H.YU為了改善其實(shí)時(shí)性，引入了Kalman濾波估計(jì)算法，在其建立的5自由度模型中通過(guò)Kalman濾波算法的反饋控制，將更多的車(chē)輛參數(shù)（側(cè)傾角、車(chē)速、車(chē)輛模型、側(cè)向加速度等）納入?yún)⒖?，進(jìn)行優(yōu)化估計(jì)。同時(shí)，H.YU還將TTR預(yù)警指標(biāo)進(jìn)行分層遞進(jìn)預(yù)警設(shè)置，從車(chē)速與轉(zhuǎn)向兩方面入手，第一級(jí)于車(chē)速快速變化下進(jìn)行預(yù)警，第二級(jí)考慮了劇烈轉(zhuǎn)向工況，綜合性強(qiáng)。TTR預(yù)警法引入國(guó)內(nèi)后，許多學(xué)者對(duì)其進(jìn)行了深入研究與改進(jìn)，其中，黃杰燕使用 TruckSim和 Matlab軟件建立半掛車(chē)的5DOF車(chē)輛模型，在TTR預(yù)警算法的基礎(chǔ)上，開(kāi)發(fā)了LQR防側(cè)翻控制算法。LQR控制算法通過(guò)差動(dòng)控制可以有效地優(yōu)化控制橫擺力矩以避免側(cè)翻。成光華在TTR預(yù)警算法的基礎(chǔ)上設(shè)計(jì)了基于ARM7的側(cè)翻預(yù)警器。吉林大學(xué)對(duì)于TTR算法也展開(kāi)了深入的研究，朱天軍總結(jié)了國(guó)內(nèi)外 TTR預(yù)警算法的研究狀況，引入 Kalman濾波，改進(jìn)了TTR算法，對(duì)影響側(cè)翻效果的因素（載荷、質(zhì)心等）進(jìn)行了處理，實(shí)車(chē)驗(yàn)證也使得改進(jìn)后的TTR算法更為精準(zhǔn)。

3 國(guó)內(nèi)外預(yù)警方法

3.1 典型算法歸類(lèi)分析

3.1.1 基于靜態(tài)門(mén)限值的側(cè)翻技術(shù)分析

基于靜態(tài)門(mén)限值的側(cè)翻預(yù)警是以靜態(tài)條件為主要條件，例如：側(cè)向加速度監(jiān)測(cè)法等。該類(lèi)算法將車(chē)輛視作剛體，不考慮車(chē)輛運(yùn)動(dòng)時(shí)的動(dòng)態(tài)特性，以側(cè)向加速度以及側(cè)傾角等單一的靜態(tài)的指標(biāo)來(lái)進(jìn)行側(cè)翻預(yù)警。根據(jù)車(chē)型與車(chē)況的不同預(yù)先計(jì)算不同的側(cè)翻閾值，預(yù)警系統(tǒng)判斷監(jiān)測(cè)值是否超過(guò)設(shè)定閾值，根據(jù)情況進(jìn)行預(yù)警與控制。

3.1.2 基于動(dòng)態(tài)門(mén)限值的側(cè)翻技術(shù)分析

基于動(dòng)態(tài)門(mén)限值的側(cè)翻預(yù)警綜合考慮動(dòng)態(tài)條件，例如橫向載荷轉(zhuǎn)移率法（LTR）、側(cè)翻保護(hù)能量?jī)?chǔ)備法（RPER）、RSA（Rollove Stability Adviser）物理樣機(jī)、側(cè)翻時(shí)間預(yù)警法（TTR）等。該類(lèi)算法建立車(chē)輛動(dòng)力學(xué)模型，綜合考慮側(cè)向加速度以及側(cè)傾角等等車(chē)輛參數(shù)指標(biāo)，實(shí)時(shí)推算車(chē)輛狀態(tài)，提高準(zhǔn)確性。

3.1.3 算法模型性能對(duì)比

基于靜態(tài)門(mén)限值的側(cè)翻預(yù)警算法，例如基于車(chē)輛側(cè)向加速度的預(yù)警方法等，以靜態(tài)條件為主要條件，將車(chē)輛視作剛體，不考慮車(chē)輛運(yùn)動(dòng)時(shí)的動(dòng)態(tài)特性，過(guò)于簡(jiǎn)單。且以單一的側(cè)向加速度、側(cè)傾角等參數(shù)作為預(yù)警的標(biāo)準(zhǔn)，不夠準(zhǔn)確，效果較差。

受限于靜態(tài)門(mén)限值預(yù)警方法精確性不足，越來(lái)越多的學(xué)者綜合考慮車(chē)輛的實(shí)時(shí)動(dòng)態(tài)性，研究出了基于動(dòng)態(tài)門(mén)限值的側(cè)翻預(yù)測(cè)方法。其中橫向載荷轉(zhuǎn)移率法以LTR作為車(chē)輛側(cè)翻指標(biāo)，除了關(guān)注輪胎壓力，不需要考慮車(chē)輛其他的影響因素，普適性較好，但汽車(chē)行駛過(guò)程中左右車(chē)輪的載荷不易測(cè)量，LTR值獲取不易，需要一定的優(yōu)化模型進(jìn)行改進(jìn)。側(cè)翻保護(hù)能量?jī)?chǔ)備（RPER）法具有實(shí)時(shí)性，也較為簡(jiǎn)便，可以很好地實(shí)現(xiàn)側(cè)翻預(yù)警。RSA物理樣機(jī)系統(tǒng)的優(yōu)勢(shì)在于實(shí)時(shí)性，根據(jù)車(chē)輛運(yùn)行時(shí)測(cè)得的車(chē)輛載荷變化與車(chē)輛具體參數(shù)，對(duì)極限值進(jìn)行動(dòng)態(tài)調(diào)節(jié)，對(duì)于以后的車(chē)載預(yù)警系統(tǒng)開(kāi)發(fā)具有一定的啟發(fā)。傳統(tǒng)的側(cè)翻時(shí)間預(yù)警法在動(dòng)態(tài)預(yù)警時(shí)，門(mén)限值選用的是車(chē)輛質(zhì)心處的側(cè)傾角，但車(chē)輛質(zhì)心會(huì)發(fā)生變化，導(dǎo)致門(mén)限值難以選定。后來(lái)的學(xué)者總結(jié)了國(guó)內(nèi)外TTR預(yù)警算法的研究狀況，改進(jìn)了TTR算法，對(duì)影響側(cè)翻效果的因素（載荷、質(zhì)心等）進(jìn)行了處理，實(shí)車(chē)驗(yàn)證也使得改進(jìn)后的TTR算法更為精準(zhǔn)。

3.2 當(dāng)前預(yù)警算法的不足

基于側(cè)向加速度、側(cè)傾角等靜態(tài)條件的預(yù)警算法由于其只考慮假設(shè)剛體而缺乏準(zhǔn)確度逐漸退出半掛車(chē)預(yù)警算法的舞臺(tái)。但是目前所研究的動(dòng)態(tài)模型，例如LTR算法、TTR算法等，還是更多基于理想的行駛狀態(tài)，未考慮到因天氣變化而所導(dǎo)致的行車(chē)條件變化。此外，駕駛員的操作習(xí)慣與應(yīng)變能力對(duì)于交通的影響還是在一定程度被忽視。同時(shí)，不同的道路環(huán)境不同對(duì)于行車(chē)安全的影響也不相同，目前的模型對(duì)于道路條件因素的影響很少考慮，只有綜合人車(chē)路三要素的模型才能具有普適性。

3.3 國(guó)內(nèi)外側(cè)翻預(yù)警算法的發(fā)展趨勢(shì)

隨著交通的智能化發(fā)展，交通安全愈加重要，半掛車(chē)作為未來(lái)交通構(gòu)成的重要組成部分，對(duì)于側(cè)翻前預(yù)警與控制的主動(dòng)控制研究也漸漸取代被動(dòng)安全的研究；5G通信技術(shù)的成熟與發(fā)展也帶動(dòng)了車(chē)路協(xié)同及車(chē)聯(lián)網(wǎng)的發(fā)展，例如車(chē)載自組網(wǎng)（Vehicular Ad Hoc Network，VANET）的發(fā)展，VANET使鄰近車(chē)輛的相關(guān)信息實(shí)現(xiàn)交互，有效地實(shí)現(xiàn)駕駛安全預(yù)警，使側(cè)翻預(yù)測(cè)模型考慮的因素和參數(shù)逐漸系統(tǒng)和全面化；同時(shí)灰色預(yù)測(cè)模型、BP神經(jīng)網(wǎng)絡(luò)等模型逐漸融入交通安全研究中，半掛車(chē)預(yù)警算法的開(kāi)發(fā)愈加多樣與有效。

4 結(jié)語(yǔ)

高速公路的鋪設(shè)與發(fā)展，帶動(dòng)了以重型半掛汽車(chē)為載體的道路運(yùn)輸業(yè)蓬勃發(fā)展，同時(shí)，半掛車(chē)的行駛安全問(wèn)題也日益突出。為使半掛汽車(chē)在道路運(yùn)輸過(guò)程中更加安全，半掛汽車(chē)側(cè)翻預(yù)警研究在未來(lái)智能交通的安全領(lǐng)域中將占有重要地位

本文詳細(xì)介紹了目前典型的半掛車(chē)側(cè)翻預(yù)警算法，對(duì)各種算法的優(yōu)缺點(diǎn)進(jìn)行了對(duì)比并針對(duì)半掛車(chē)預(yù)警方法的發(fā)展方向進(jìn)行了詳細(xì)分析，總結(jié)出目前半掛車(chē)預(yù)警方法的不足和未來(lái)的發(fā)展方向。