復(fù)雜環(huán)境下行車主動安全風(fēng)險評估與決策控制算法

關(guān)鍵詞：智能汽車；主動安全；風(fēng)險評估；干預(yù)決策

0前言

截至2023 年12 月，我國機(jī)動車保有量達(dá)到4.35 億，其中汽車保有量達(dá)到3.36 億，汽車駕駛?cè)藬?shù)達(dá)到5.23 億［1］。2023年，我國全年道路事故萬車死亡人數(shù)為14.8［2］。主動安全功能因可提高行車安全、可為L2 及L3級自動駕駛舒適性行車功能提供更完備的安全支撐［3-4］，越來越受到行業(yè)重視。相應(yīng)的，車輛主動安全場景逐漸從單縱向追逐場景向多目標(biāo)復(fù)雜場景（如復(fù)雜路口、超車、斜穿車輛等）發(fā)展［5］，體現(xiàn)在國內(nèi)外立法層面則如相關(guān)法規(guī)將多車輛路口場景列入主動安全評測范疇。

WANG 等［6］提出了一種交叉口碰撞預(yù)測方法，其利用車輛運(yùn)動和周圍道路信息預(yù)測自車與其他目標(biāo)的距離及碰撞報警級別，但該算法要求所有目標(biāo)互相通信，且未考慮傳感器感知偏差的影響。PARK 等［7］將自動緊急剎車（AEB）和自動緊急轉(zhuǎn)向 （AES）系統(tǒng)進(jìn)行集成，但其對感知性能依賴程度較高。祝琳等［8］僅研究了自車和目標(biāo)車在直線行駛下的避撞。LAI 等［9］、裴曉飛等［10］提出了緊急制動橫縱向一體化避撞控制。上述策略均不支持實(shí)際交通中更復(fù)雜的場景，如Y 形或T 形路口。HILLENBRAND 等［11］提出了多級碰撞緩解方案，PATEL 等［12］基于Deep SORT 算法設(shè)計(jì)出實(shí)時人工智能（AI）檢測模型，王錕等［13］提出了基于實(shí)時軌跡檢測的交叉路口行人過街風(fēng)險評估方法，上述研究均因算力消耗大而無法在車端部署。

綜上，國內(nèi)外學(xué)者對智能車主動安全的研究仍較難產(chǎn)業(yè)化部署。主因是智能車主動安全仍存在感知硬件要求高、高度依賴車載傳感器感知性能等問題；此外，針對某幾個場景堆疊開發(fā)的算法，在復(fù)雜場景功能擴(kuò)展困難，算力消耗大，實(shí)車應(yīng)用部署挑戰(zhàn)大。針對上述問題，本文基于車輛及其他交通參與者的軌跡預(yù)測、避撞需求評估，設(shè)計(jì)了可支持復(fù)雜環(huán)境下車輛橫縱向避撞輔助風(fēng)險評估及決策控制算法，實(shí)現(xiàn)了不同場景下車輛主動安全輔助駕駛。

1 基于碰撞風(fēng)險評估的車輛避撞決策控制方法

主動安全風(fēng)險評估與決策系統(tǒng)的整體框架如圖1 所示。首先，基于上游感知結(jié)果（目標(biāo)位置、速度、航向角等動態(tài)環(huán)境信息和車道線等靜態(tài)環(huán)境信息）對自車及其他交通參與者軌跡進(jìn)行預(yù)測；在此基礎(chǔ)上，對自車縱向避撞控制所需加速度、加加速度和橫向避撞控制所需的方向盤轉(zhuǎn)角及角速度進(jìn)行計(jì)算；最后，對主動避撞功能的干預(yù)形式及請求大小進(jìn)行決策控制。

系統(tǒng)輸出為方向盤轉(zhuǎn)角或縱向加速度、加速度變化率。

1. 1 基于自車及目標(biāo)車輛軌跡的避撞需求評估

對目標(biāo)和自車運(yùn)動軌跡進(jìn)行預(yù)測時，從事故評測等價指標(biāo)、駕駛員反應(yīng)時間分布、主動安全評測法規(guī)要求及功能設(shè)計(jì)邊界4 個方面考慮，取系統(tǒng)預(yù)測時長為3.75 s，預(yù)測步長為0.025 s。以自車后軸中心為坐標(biāo)原點(diǎn)，x 軸指向自車正前方向，y 軸指向自車左側(cè)方向，建立坐標(biāo)系，采用長寬分別為各自長和寬的矩形框表示外輪廓，通過二自由度單軌模型對自車進(jìn)行建模［14］，基于當(dāng)前狀態(tài)預(yù)測自車及目標(biāo)車輛軌跡。從橫向避撞所需曲率及曲率變化率、縱向避撞所需加速度及加速度變化率、自車橫向避撞所需方向盤轉(zhuǎn)角及角速度等方面對碰撞風(fēng)險進(jìn)行評估。

1. 1. 1 橫向避撞需求評估

實(shí)際場景中駕駛員可打方向盤避讓，且一定車速下駕駛員的方向盤轉(zhuǎn)動輸入是一定的［15］，因此若駕駛員在某一車速下對方向盤的轉(zhuǎn)動輸入超過設(shè)計(jì)值，則代表駕駛員認(rèn)為當(dāng)前交通場景是危險的，方向盤角度及角速度大小反映了駕駛員認(rèn)為的危險程度。如圖2 所示，自車左轉(zhuǎn)向避讓右側(cè)目標(biāo)的極限是不與目標(biāo)邊1 發(fā)生碰撞。在緊急情況下駕駛員轉(zhuǎn)向行為模型［16-18］如圖3 所示。圖2 中各符號含義如下：φ 為自車航向角，單位rad；L_w、L₀、L 為自車軸距、后軸到前保距離及車長，單位m；w 為車寬，單位m；L_c 為自車軌跡瞬時旋轉(zhuǎn)中心到后軸的縱向距離，單位m；x_c、y_c 為自車瞬時旋轉(zhuǎn)中心坐標(biāo)；x_i、y_i為目標(biāo)外輪廓點(diǎn)，i =1，2；上標(biāo)+及-分別代表最大值和最小值；y_h 為目標(biāo)角點(diǎn)在自車對應(yīng)邊的投影點(diǎn)；d 為yh 在x 軸的投影；y_e 為目標(biāo)上點(diǎn)在自車未來坐標(biāo)系下的坐標(biāo)。圖3（a）中，a₀ 及a_min 為自車當(dāng)前加速度及駕駛員最小減速度，單位m/s²；t_j 是駕駛員制動建壓時間，單位s。圖3（b）中θ₀ 為方向盤初始轉(zhuǎn)角，單位rad；ω 是方向盤角速度，單位rad/s；t_θ 是設(shè)計(jì)的駕駛員最大轉(zhuǎn)動方向盤的時間，單位s。

（2） 基于多目標(biāo)交互博弈的主動安全功能誤干預(yù)優(yōu)化。路口等環(huán)境下主車與其他交通參與者的行為瞬時多變，受傳感器本身性能限制，其輸出與目標(biāo)實(shí)際狀態(tài)有不同程度的偏差及延遲，單目攝像頭方案下更明顯。以圖6 中某路口自車左轉(zhuǎn)、左前方目標(biāo)右轉(zhuǎn)導(dǎo)致的主動避撞功能誤觸發(fā)為例，對多目標(biāo)交互博弈策略進(jìn)行說明。如圖6所示，藍(lán)色立方體代表自車，綠色立方體為其他交通參與者。自車左前方的綠色立方體為目標(biāo)0 的實(shí)際軌跡，橙色線為目標(biāo)0 的預(yù)測軌跡，該軌跡預(yù)示目標(biāo)0 即將與自車碰撞，故功能進(jìn)行了制動干預(yù)。

將自車與其他交通參與者的交互納入風(fēng)險評估，對目標(biāo)行為補(bǔ)充建模，用其可采取行為類型及烈度大小更新其預(yù)測軌跡。功能的優(yōu)化原理如圖7 所示。其中，t₀為當(dāng)前時刻，t₁為原主動避撞策略中功能觸發(fā)時刻，t ₂為目標(biāo)車按日常習(xí)慣可逃逸的時刻，t₃為原主動避撞策略中功能預(yù)測的目標(biāo)位置。t₁ 與t₂ 間的時間差Δt 即為可利用的動態(tài)時間窗口。在該窗口內(nèi)，功能實(shí)時評估目標(biāo)狀態(tài)，判斷其是否可逃逸，直至目標(biāo)無法逃逸時才觸發(fā)自車的主動避撞功能。對軌跡預(yù)測、風(fēng)險評估和功能決策3 大部分進(jìn)行匯總，所提出的主動安全避撞輔助決策算法流程見圖8。

1. 2 主動避撞輔助測試分析

1. 2. 1 歐洲新車安全評鑒協(xié)會（E-NCAP）車對車靜止場景（CCRs）實(shí)車測試

AEB CCRs 測試如圖9（a）所示，自車（即后方偽裝車）車速60 km/h、50% 車輛偏置追尾前方靜止白色車輛；車對摩托車的超車場景（CMovertaking）測試如圖9（b）所示。測試過程中，兩車間的距離、自車車速、自車橫向加速度、自車橫縱向風(fēng)險值隨時間的變化如圖10 所示。

由圖10 可知，在3.5 s 時風(fēng)險評估模塊計(jì)算的縱向風(fēng)險值超過了全力制動限值，因此產(chǎn)生縱向碰撞風(fēng)險。由圖10（b）可知，在功能干預(yù)過程中整車制動減速請求變化量小于0.78 m/s2，剎停時距前車的凈縱向距離約為0.5 m。該測試表明了所設(shè)計(jì)的主動安全避撞功能在E-NCAP CCRs 場景中的有效性。圖10（e）給出了橫向風(fēng)險實(shí)時狀態(tài)，目標(biāo)車輛在自車左前方50% 偏置，自車左轉(zhuǎn)避撞所需曲率大于右轉(zhuǎn)避撞所需曲率，3.7 s 時右轉(zhuǎn)避撞所需曲率滿足全力制動曲率限值后功能發(fā)出制動請求。

此外，該實(shí)車測試的芯片為英飛凌TC397，算法在50 Hz 的頻率下穩(wěn)定運(yùn)行。這表明該算法算力消耗低、可在實(shí)車控制器中實(shí)時穩(wěn)定運(yùn)行。

1. 2. 2 E-NCAP CMovertaking 測試

所設(shè)計(jì)的主動避撞功能還適用于橫向干預(yù)場景。如圖9（b）所示，以對摩托車的超車場景為例，該場景下由于自車向左侵入左車道且摩托車速度比自車快，因此所設(shè)計(jì)的算法采取橫向轉(zhuǎn)向干預(yù)的措施輔助自車橫向避撞。

主車及目標(biāo)摩托車的瞬時狀態(tài)如圖11所示。在11.3 s 時目標(biāo)車輛與自車的碰撞時間（TTC）為2 s，此時功能被激活并發(fā)送轉(zhuǎn)向干預(yù)請求角度到執(zhí)行器，11.8 s 時自車成功返回車道中心（此時兩車橫向間距為2 m），干預(yù)退出。這表明了所設(shè)計(jì)主動安全避撞功能在橫向避撞場景中的有效性。

1. 2. 3 主動安全誤觸發(fā)優(yōu)化仿真驗(yàn)證

基于所提優(yōu)化策略，用實(shí)測數(shù)據(jù)回灌驗(yàn)證結(jié)果表明優(yōu)化后未出現(xiàn)誤觸發(fā)，證明了所述博弈算法對解決誤觸發(fā)問題的有效性。

2 結(jié)語

本文提出車輛主動安全風(fēng)險評估及避撞決策算法，同時支持主車橫縱向主動避撞輔助干預(yù)，避開了基于場景設(shè)計(jì)的傳統(tǒng)思想。根據(jù)實(shí)車E-NCAP CCRs 制動避撞測試、自車車道偏離與同向摩托車打方向避撞、公共道路誤觸發(fā)等不同測試，證明本文所提算法的算力消耗低，降低了對上游感知性能的依賴，所設(shè)計(jì)的功能觸發(fā)安全收益評價策略能夠保證功能觸發(fā)的安全收益，有效提高智能交通安全。