考慮前車制動意圖的自動緊急制動策略及其測試評價方法*

楊瀾 楊一鵬 劉松巖 胡志強 楊煒

（長安大學，西安 710018）

主題詞：車輛主動安全 自動緊急制動 制動意圖 測試與評價 聯(lián)合仿真

1 前言

自動緊急制動（Autonomous Emergency Braking，AEB）系統(tǒng)作為一種高級輔助駕駛系統(tǒng)，是目前最有效的避撞技術之一。系統(tǒng)通過多種車載傳感器獲取車輛狀態(tài)，實時判斷車輛與周圍車輛、行人、自行車等交通參與者的潛在碰撞風險，以提醒或自主制動方式避免碰撞或者降低碰撞事故的嚴重程度[1]。前期大量研究發(fā)現(xiàn)，AEB 系統(tǒng)可以減少追尾事故數(shù)量25%～50%[2-5]，顯著提高了道路交通安全性。

為了提高AEB 系統(tǒng)的避撞性能，國內(nèi)外學者對AEB 控制策略進行了大量研究。在基于無線通信技術優(yōu)化車輛感知能力方面，Sun 等[6]針對智能網(wǎng)聯(lián)車輛的駕駛風險感知技術展開研究，提出了能夠實時預測和跟蹤周圍車輛運動軌跡的主動避撞系統(tǒng)，提高了車輛自動駕駛能力和道路交通安全性；在融合駕駛人特性優(yōu)化AEB系統(tǒng)魯棒性與適應性方面，F(xiàn)ei等[7]基于碰撞時間余量提出了一種可分級避撞算法，利用兩車間的運動狀態(tài)信息判斷工況危險程度，較好地適應了不同駕駛人的避撞特征；在考慮駕駛人行為和生理信號等信息提高駕駛意圖識別性能方面，Li等[8]采用轉向盤角度、相對橫向偏移量和橫向速度對駕駛意圖進行識別，為車輛避撞控制策略設計提供了基礎。此外，評價指標的選擇在AEB測試評價研究中起到了關鍵作用?，F(xiàn)有大部分評價方法均遵循相關標準展開，該類方法較難全面客觀地評價AEB系統(tǒng)的性能。在評價指標的優(yōu)化方面，Lin等[9]引入層次分析法對碰撞時間（Time-To-Collision，TTC）、停車相對距離和速度減少量進行權重計算，考慮了系統(tǒng)安全性和舒適性，通過仿真測試驗證了該方法的合理性。通過文獻調研發(fā)現(xiàn)，目前AEB 避撞策略仍存在識別信息不全面、數(shù)據(jù)來源不理想以及評價體系不健全等問題。

智能網(wǎng)聯(lián)汽車通過車-車通信可以實現(xiàn)與周圍車輛的信息交互，有效擴大車輛感知范圍，提高決策的準確性。因此，本文通過車-車通信感知前車制動意圖，建立考慮前車制動意圖的AEB 控制策略，以車輛安全性與舒適性為目標，基于層次分析法建立AEB 綜合評價方法，通過對比試驗驗證模型在前車制動場景下的有效性，以期進一步提高AEB系統(tǒng)的安全性和適應性。

2 駕駛人數(shù)據(jù)采集

2.1 聯(lián)合仿真平臺搭建

本文基于PreScan、Simulink和駕駛模擬器搭建聯(lián)合仿真平臺，如圖1 所示。其中，PreScan 與Simulink 用于搭建虛擬仿真環(huán)境和建立車輛控制邏輯，駕駛模擬器用于模擬真實駕駛環(huán)境。

2.2 試驗設計

選取10名駕駛人開展重復性駕駛試驗。試驗人員平均駕齡為5 年，男性與女性的比例為7∶3。具體采樣方案與步驟如下：

a.連接設備，保證軟、硬件正常運行。

b.試驗人員熟悉設備與采樣流程，進行適應性練習。

c.采樣開始，試驗人員控制車輛起動，向前行駛。

d.控制車輛加速至穩(wěn)定車速，最高車速為90 km/h。

e.根據(jù)試驗需要，試驗人員以輕微、正常、緊急制動意圖進行主動制動操作，直至車速降為0，結束本次采樣。

f.一次采樣后，若試驗數(shù)據(jù)異常，不記錄本次采樣結果，重復步驟c～步驟e，若數(shù)據(jù)有效，記錄試驗數(shù)據(jù)。

g.每名試驗人員以不同制動意圖分別進行10次重復性采樣試驗，共計采樣30次。

h.更換試驗人員，重復步驟b～步驟g，結束試驗。

2.3 數(shù)據(jù)預處理

2.3.1 基于K-均值聚類的制動意圖分類

為了確定不同時刻潛在的真實制動意圖，本文使用K-均值（K-Means）聚類方法對試驗采集到的33 209 個數(shù)據(jù)點進行分類，以表征輕微、正常、緊急3 種制動意圖。K-均值作為一種簡單、運算速度快、收斂速度快的分區(qū)算法，廣泛應用于回歸預測、數(shù)據(jù)挖掘、圖像識別等領域[10]，故本文采用該方法搭建意圖識別模型。選擇制動踏板壓力作為分類參數(shù)，算法運行結果圖2 所示，其中，制動踏板壓力的范圍為0～14 MPa，制動踏板壓力變化率為0～120 MPa/s，輕微制動與正常制動意圖間的閾值為4.35 MPa，正常制動與緊急制動意圖間的閾值為9.8 MPa。

圖2 K-均值算法分類結果

2.3.2 基于滑動時間窗口的數(shù)據(jù)序列提取

為了滿足制動意圖識別實時性的要求，以及使用固定時長歷史數(shù)據(jù)進行制動意圖識別的需要，使用滑動時間窗口對模型訓練數(shù)據(jù)進行提取?；瑒訒r間窗口如圖3 所示，其中T1、T2、T3分別為時間步長和表征制動行為與制動意圖的時間長度，數(shù)據(jù)提取范圍定義為制動踏板壓力開始不為零至車速降為零的數(shù)據(jù)區(qū)間。

圖3 滑動時間窗口原理

表征制動行為與制動意圖的時間長度與實際操作耗時有關。原始數(shù)據(jù)步長為0.05 s，緊急制動意圖下平均制動耗時為2.6 s，駕駛行為對應時間分布在0.5～2.0 s范圍內(nèi)。設置不同滑動時間窗口參數(shù)組合，參數(shù)組合1設置為T1=0.1 s、T2=0.4 s、T3=2.0 s，參數(shù)組合2 設置為T1=0.1 s、T2=0.3 s、T3=1.2 s，參數(shù)組合3設置為T1=0.05 s、T2=0.2 s、T3=0.8 s，提取各制動意圖數(shù)據(jù)，并以8∶2 的比例劃分訓練集與數(shù)據(jù)集，提取結果如表1所示。

表1 基于不同參數(shù)組合的制動意圖數(shù)據(jù)選取

3 基于雙層隱馬爾可夫的制動意圖識別模型

3.1 雙層隱馬爾可夫模型

雙層隱馬爾可夫模型（Hidden Markov Model，HMM）對時序數(shù)據(jù)具有較好的建模效果，是一種生成模型，且訓練過程中收斂速度較快，不需要大量訓練樣本即可獲得較好的識別精度。因此，本文選擇雙層HMM對潛在制動意圖進行識別[11]。雙層HMM由初始狀態(tài)概率向量Π、狀態(tài)轉移概率矩陣A和觀測概率矩陣B組成，可以用λ=(Π,A,B)表示。本文使用雙層HMM對制動意圖進行識別，如圖4所示。

圖4 雙層HMM模型工作原理

3.1.1 數(shù)據(jù)分級量化

本文使用制動踏板壓力、制動踏板壓力變化率和車速作為訓練參數(shù)。由于原始數(shù)據(jù)為高精度離散數(shù)據(jù)，導致觀測狀態(tài)數(shù)量過大，因此依據(jù)采集到的39 276個數(shù)據(jù)點對原始數(shù)據(jù)進行分級量化處理，根據(jù)數(shù)據(jù)均勻分布的原則分別將制動踏板壓力、制動踏板壓力變化率、車速分為20級、10級和20級，結果如表2所示。

表2 數(shù)據(jù)分級量化結果

3.1.2 雙層HMM定義

制動行為HMM以制動踏板壓力及其變化率作為模型輸入?yún)?shù)，識別結果為4 種制動行為，即輕微、正常、快速踩下制動踏板和制動踏板壓力保持不變。基于HMM的制動意圖模型以制動行為數(shù)據(jù)與車速數(shù)據(jù)作為模型輸入?yún)?shù)，識別結果為3 種制動意圖，即輕微、正常、緊急制動意圖。

當已知多樣本觀測序列時，假設有D個相互獨立的觀測序列{O1,O2,…,OD}，每組樣本可以表示為Od={o1,o2,…,oT}的情況下，使用鮑姆-韋爾奇（Baum-Welch）算法對模型參數(shù)λ=(A,B,Π)進行重估：

a.隨機初始化模型參數(shù)A、B、Π。

b.為每個序列求解2個中間變量γt(d)(i)和ξt(d)(i,j)：

式中：N為每個時刻隱藏狀態(tài)數(shù)量，L為數(shù)據(jù)維度，αt+1(j)、βt(i)分別為前向概率、后向概率。

其中，αt+1(j)、βt(i)的計算公式分別為：

c.通過2個中間變量求解模型各參數(shù)：

式中：T為時間長度。

2 種模型算法公式相同，而具體參數(shù)不同，各模型參數(shù)定義如表3所示。

表3 雙層HMM參數(shù)定義

3.1.3 雙層HMM識別結果

本文選擇精確率P、召回率R、F1-分數(shù)F和精確率A作為評估參數(shù)對模型識別效果進行評價，其中，精準率定義為正確當前制動意圖在識別結果為當前制動意圖中所占的比例，召回率定義為真實制動意圖中識別結果為當前意圖的比例，F(xiàn)1-分數(shù)為精準率與召回率的調和平均值，準確率為識別正確的意圖占所有測試意圖的比例：

式中：TP、FP、TN、FN分別為真正例、假正例、真負例、假負例數(shù)量。

使用表1提取到的3種測試集對各組合訓練出的雙層HMM 參數(shù)進行驗證，識別結果如圖5所示，由圖5可知，第3 組參數(shù)組合提取出的數(shù)據(jù)集模型識別效果最好，4種評價參數(shù)平均結果可達到97%以上，證明其代表的模型分類能力最強。

圖5 雙層HMM識別結果

3.2 考慮前車制動意圖的AEB控制策略

為避免前車制動工況下發(fā)生追尾碰撞，主車AEB控制策略獲取前車不同制動意圖和車速等信息后，考慮車-車通信時的網(wǎng)絡通信延遲和主車制動壓力建立時間，計算臨界安全閾值，并采用特定減速度進行自動制動操作，該控制策略下車輛避撞過程如圖6 所示：前車將制動意圖、車速與加速度等信息傳遞到后方主車，在t1時間間隔的通信延遲中，前、后兩車分別行駛了Df1和Db1的距離；主車在計算臨界安全閾值時，考慮制動壓力建立時間t2的時間間隔中，前、后兩車行駛的距離分別為Df2和Db2；后車在確定了自動制動的控制決策后，采用特定減速度進行制動，直到車輛碰撞風險解除（后車減速到與前車速度相同），在此過程中，前、后兩車行駛距離分別為Df和Db，且最后仍保持安全距離D0。系統(tǒng)具體控制邏輯如圖7所示，其中主車通過AEB算法實時計算臨界安全閾值，通過將其與實際車間距進行對比，對車輛當前狀態(tài)進行判斷，然后介入車輛控制。

圖6 車輛避撞過程分析

圖7 AEB控制策略邏輯

假設前車速度小于主車速度，主車根據(jù)不同制動意圖下的安全距離制定相應決策控制方法。

3.2.1 輕微制動意圖下臨界安全距離

當前車以輕微制動意圖減速時，前車將識別出的制動意圖與車速傳輸?shù)街鬈?，主車判斷有碰撞風險時，以固定減速度進行減速，直至兩車速度相同，此時兩車車速為安全車速，且大于0，安全車速的計算公式為：

臨界安全距離為：

式中：vf為前車車速，af為前車制動減速度，vb為主車當前車速，ab為主車制動減速度，vs為安全車速，t1為駕駛員反應延遲時間，t2為制動器延遲時間。

3.2.2 正常制動意圖下臨界安全距離

當前車以正常制動意圖進行減速時，主車根據(jù)當前工況下的危險程度，以最大制動能力進行減速，若前車制動停車時間大于主車制動停車時間，兩車在車速降為0之前達到安全狀態(tài)，安全車速見式（12），反之，安全車速為0。因此，正常制動意圖下的臨界安全距離為：

式中：abmax為主車最大制動減速度，D0為兩車間最小安全距離。

3.2.3 緊急制動意圖下臨界安全距離

當前車制動意圖為緊急制動時，前車以最大減速度進行減速，此時后方主車同樣以最大減速度進行制動避撞操作，由于前車初始車速低于主車初始車速時才存在碰撞風險，因此兩車安全速度為0，臨界安全距離為：

式中：afmax為前車最大制動減速度。

4 模型測試與評價

4.1 仿真測試方法

采用PreScan 與Simulink 建立虛擬仿真測試環(huán)境。在PreScan 中建立天氣、光照、道路、車輛和環(huán)境等場景要素，添加車輛傳感器，在Simulink 中建立AEB 控制策略及其計算邏輯，并反饋到仿真環(huán)境中。

4.1.1 仿真環(huán)境

搭建一條直線道路，選取中間車道作為測試道路，添加主車（Lexus GS）和前車（Audi A8），并為車輛添加車輛動力學模型、駕駛人模型等，如圖8所示。

圖8 三維仿真環(huán)境

搭建可視化仿真環(huán)境，為了保證測試條件的規(guī)范性，參考中國新車評價規(guī)程（China-New Car Assessment Program，C-NCAP）技術標準[12]，設置場景參數(shù)如表4所示。

表4 場景參數(shù)設置

4.1.2 測試條件

參考AEB 測試標準，考慮不同制動意圖和低、中、高速場景測試需求，設計測試條件，如表5 所示。前車為減速狀態(tài)，在不同制動意圖下設置前車減速度。

表5 測試場景條件設置

4.2 AEB綜合評價方法

目前的AEB評價方法以是否碰撞作為唯一評價指標，只考慮了車輛的安全性，未考慮駕駛人的駕駛體驗。本文參考國際測試評價標準和測試評價相關論文[13]，選擇7種評價指標構建AEB綜合評價方法，包括是否碰撞、最小車間距[14]、制動停車距離[15]、碰撞相對速度[16]、速度降低比例[16]、TTC[16]和系統(tǒng)介入相對距離[17]。

基于層次分析法對7 種評價指標在評價體系中所占權重進行計算，構造判斷矩陣A：

計算矩陣A的每行元素乘積：

計算M中每行元素的7次方根：

計算矩陣A的最大特征根：

式中：n為矩陣A的行列數(shù)。

一致性檢驗結果為：

式中：IC為一致性指標，RC為一致性比率。

因此，可以認為判斷矩陣A具有滿意的一致性，各因素的權重具有可信性，最終權重系數(shù)結果如表6 所示。

表6 7種評價指標權重

4.3 對比驗證

4.3.1 典型AEB模型

為了驗證本文AEB 模型在車輛避撞場景中前車制動工況下的有效性，與基于安全距離的馬自達（Mazda）、本田（Honda）、伯克利（Berkeley）模型和基于碰撞時間的TTC模型4種典型AEB模型進行對比。

馬自達模型的臨界安全閾值為：

式中：v為主車車速；vrel為兩車相對車速；a1、a2分別為前車、主車最大減速度，本文取a1=a2=7 m/s2；t1=0.1 s；t2=0.6 s；d0為最小停車距離，本文取d0=3 m。

取a1=a2=7 m/s2、t1=0.5 s、t2=1.5 s，本田模型的臨界安全閾值為：

式中：v2為前車車速。

取t1=1 s、t2=0.2 s，伯克利模型的臨界安全閾值為：

式中：amax為兩車最大制動減速度，本文取amax=7 m/s2。

TTC模型的碰撞時間和臨界安全閾值為：

式中：drel為兩車相對距離；d0為安全停車距離，取d0=3 m。

具體控制邏輯如下：

a.1.6 s≤tTTC<2.6 s時，系統(tǒng)報警，提醒駕駛人進行制動；

b.0.6 s≤tTTC<1.6 s時，系統(tǒng)自動緊急制動，制動壓力為最大制動壓力的40%；

c.tTTC<0.6 s 時，系統(tǒng)自動緊急制動，制動壓力為最大制動壓力。

4.3.2 仿真結果分析

對4 種典型AEB 模型與本文模型在輕微、正常、緊急制動場景下的避撞效果進行測試，結果如圖9 所示。TTC 模型控制策略較為激進，在前車制動場景中易產(chǎn)生碰撞，尤其在中高速場景下不能避撞；本田模型與伯克利模型在輕微、正常制動場景下能夠及時避撞，但是駕駛人舒適性較差，而在緊急制動場景下，當車速高于60 km/h時，不能避免碰撞的發(fā)生，因此這2 種模型適應性和舒適性較低；馬自達模型與本文模型均能有效避免碰撞發(fā)生，但由于馬自達模型過于保守，導致提前制動而評分較低。

圖9 模型對比結果

綜合以上測試結果，統(tǒng)計模型在各制動意圖下的得分情況，如表7所示，本文模型得分最高，證明本文模型在保證車輛安全性的基礎上，能夠很好地保證駕駛人的駕駛舒適性，不會過早或過晚介入車輛控制，進一步提高了AEB系統(tǒng)的適應性、安全性和舒適性。

表7 5種模型評價得分情況

5 結束語

本文通過搭建聯(lián)合仿真平臺采集駕駛人制動數(shù)據(jù)，構建了基于雙層HMM的駕駛人制動意圖識別模型和基于前車制動意圖的AEB 避撞控制策略，通過AHP 綜合評價方法驗證了模型在前車制動危險場景下的有效性?？梢缘贸鲆韵陆Y論：

a.使用制動踏板數(shù)據(jù)與車速數(shù)據(jù)識別制動意圖，基于滑動時間窗口進行數(shù)據(jù)序列提取，時間步長取0.05 s，表征駕駛行為的時間取0.2 s，表征駕駛意圖的時間取0.8 s較為合理；

b.使用雙層隱馬爾可夫模型對輕微、正常、緊急制動意圖的識別準確率可以達到97.83%；

c.考慮前車制動意圖的AEB 控制策略在前車制動場景下，在保證安全的前提下，也能保證駕駛人的駕駛體驗和舒適性。

本文研究的局限在于，駕駛人樣本量較少，未考慮不同駕駛人特性對制動意圖識別模型訓練的影響，同時，AEB控制策略未考慮天氣、光照、道路條件等因素的影響。因此，下一步研究中，將綜合考慮以上因素，采集不同類型的駕駛人的駕駛數(shù)據(jù)，以提高模型的魯棒性和普適性。