基于避險(xiǎn)臨界點(diǎn)的行車危險(xiǎn)識(shí)別與制動(dòng)策略研究

主題詞：車輛安全實(shí)時(shí)風(fēng)險(xiǎn)高危場(chǎng)景識(shí)別制動(dòng)策略避險(xiǎn)臨界模型中圖分類號(hào)：U461.91 文獻(xiàn)標(biāo)志碼：A DOI：10.19620/j.cnki.1000-3703.20240896

Research on Driving Hazard Identification and Braking Strategy Based on Collision Evasion Point

Zhu Tong'，Zhang Zhuo'，ZhangYunxing'，Zhao Yunfei1，Li Xiaohu2 （1.School of Transportation Engineering，Chang'an University，Xi'an71Oo64;2.ChinaAutomotive Technologyand Research Center， Tianjin 300300）

【Abstract]To quantifydriving risk anddevelopasafe braking strategy，this paper introduces theconcept of Collision Evasion Point （CEP）andbuilds mathematical models for straight-driving and turning scenarios.Using theCEP，ariskrepresentationindexisdefinedtoquantifydrivingrisk.Moreover，116accidentcasesfromChinaIn-DepthAcidentStudy （CIDAS）databaseareclasiiedandtheriskrepresentationindexisapliedtoidentifyhigh-iskcases.Finalldyamic brakingstrategy basedonthebraking-timeindicatorisproposed.Testresultsshowthat，acrossvarious high-riskscenarios， theproposedriskrepresentationindexoutperformsTime-to-Colision（TTC）basedstrategyinidentifyingscene-levelrisk， while thebraking strategyachievesmorereasonable braking timesandsmoother speed profiles，thereby beteravoiding collisions.

Key words： Vehicle safety，Real-time risk，High-risk scenario identification，Braking strategy， Critical risk-avoidancemodel

【引用格式】朱彤，張卓，張興，等.基于避險(xiǎn)臨界點(diǎn)的行車危險(xiǎn)識(shí)別與制動(dòng)策略研究[J].汽車技術(shù)，2025（7）：23-30. ZHU T，ZHANG Z，ZHANG YX，et al.Research on Driving Hazard Identification and Braking Strategy Based on Colision EvasionPoint[J].Automobile Technology，2025（7）： 23-30.

1前言

近年來(lái)，我國(guó)道路交通安全形勢(shì)不容樂(lè)觀，及時(shí)識(shí)別行車風(fēng)險(xiǎn)并觸發(fā)制動(dòng)對(duì)于降低事故率、減輕事故損傷至關(guān)重要[1-2]。雖然現(xiàn)階段車輛已配備車道偏離預(yù)警系統(tǒng)、高級(jí)駕駛輔助系統(tǒng)等主動(dòng)安全技術(shù)，但風(fēng)險(xiǎn)評(píng)估與制動(dòng)決策模塊的可靠性仍有待提升[3-4]。

準(zhǔn)確地表征風(fēng)險(xiǎn)是自動(dòng)駕駛汽車安全性能提升的基礎(chǔ)與關(guān)鍵5?，F(xiàn)有研究多從不同角度考慮行車風(fēng)險(xiǎn)，通過(guò)安全距離指標(biāo)、距碰撞發(fā)生時(shí)間指標(biāo)及駕駛員主觀認(rèn)知判斷指標(biāo)等評(píng)價(jià)指標(biāo)表征風(fēng)險(xiǎn)并制定了一系列碰撞預(yù)測(cè)策略。張宇豐等基于碰撞時(shí)間（TimeToCollision，TTC）與安全距離模型協(xié)同，對(duì)車輛進(jìn)行控制以避免碰撞；楊賀博等考慮自車車速，優(yōu)化了TTC值及制動(dòng)控制策略；郭祥靖等[基于反向傳播神經(jīng)網(wǎng)絡(luò)對(duì)TTC進(jìn)行預(yù)測(cè)，并以此制定控制策略；趙林峰等[12]提出了考慮車輛運(yùn)動(dòng)狀態(tài)和路面附著系數(shù)等因素的改進(jìn)安全距離模型。

然而，現(xiàn)有方法通過(guò)當(dāng)前時(shí)刻車輛的時(shí)空風(fēng)險(xiǎn)程度表征運(yùn)行風(fēng)險(xiǎn)，包括車輛行駛的空間、時(shí)間相對(duì)位置以及駕駛員主觀風(fēng)險(xiǎn)認(rèn)知能力等，未考慮當(dāng)前環(huán)境中車輛的風(fēng)險(xiǎn)規(guī)避能力，故需綜合考慮車輛時(shí)空接近程度及避險(xiǎn)能力、環(huán)境要素等方面，設(shè)計(jì)表征車輛當(dāng)前的行車風(fēng)險(xiǎn)的指標(biāo)。同時(shí)，自動(dòng)駕駛測(cè)試場(chǎng)景從單一的縱向安全控制測(cè)評(píng)，如前車靜止[13]、前車慢行[4等，逐步發(fā)展到汽車轉(zhuǎn)向場(chǎng)景。以TTC為風(fēng)險(xiǎn)指標(biāo)的制動(dòng)控制算法在主車轉(zhuǎn)向場(chǎng)景的測(cè)試較少，且缺乏對(duì)車輛-二輪車的相關(guān)場(chǎng)景測(cè)試。

因此，為了適用車輛-二輪車不同運(yùn)行場(chǎng)景的風(fēng)險(xiǎn)評(píng)估指標(biāo)和測(cè)試分析，優(yōu)化車輛風(fēng)險(xiǎn)識(shí)別與制動(dòng)效果，本文提出避險(xiǎn)臨界點(diǎn)，對(duì)車輛行駛場(chǎng)景風(fēng)險(xiǎn)進(jìn)行量化，基于避險(xiǎn)臨界點(diǎn)時(shí)間指標(biāo)制定自動(dòng)駕駛動(dòng)態(tài)制動(dòng)控制策略。同時(shí)，在主車轉(zhuǎn)向、主車直行等不同碰撞姿態(tài)場(chǎng)景中驗(yàn)證所提出策略的有效性。

2基于避險(xiǎn)臨界點(diǎn)的風(fēng)險(xiǎn)測(cè)度

2.1 避險(xiǎn)臨界點(diǎn)定義

依照駕駛環(huán)境信息動(dòng)態(tài)評(píng)估車輛的碰撞風(fēng)險(xiǎn)，是保證車輛安全行駛的重要環(huán)節(jié)。在行車過(guò)程中，碰撞風(fēng)險(xiǎn)持續(xù)存在且隨行車條件不斷變化。為了定量描述行車風(fēng)險(xiǎn)，常采用TTC指標(biāo)進(jìn)行評(píng)價(jià)，但該指標(biāo)無(wú)法區(qū)分干燥路面與冰雪路面的風(fēng)險(xiǎn)差異，忽略了駕駛員轉(zhuǎn)向避開事故發(fā)生的可能。因此，需引入體現(xiàn)車輛避險(xiǎn)能力的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，準(zhǔn)確識(shí)別并量化不同駕駛環(huán)境中的碰撞風(fēng)險(xiǎn)。

本文提出避險(xiǎn)臨界點(diǎn)（CollisionEvasionPoint，CEP），其基本思想為：車輛在行駛中持續(xù)存在行車風(fēng)險(xiǎn)，當(dāng)風(fēng)險(xiǎn)累積到一定程度時(shí)，將會(huì)發(fā)生危險(xiǎn)。為了表征風(fēng)險(xiǎn)與危險(xiǎn)的界限，將 P_cep 作為分界點(diǎn)，如圖1所示。

當(dāng)車輛在時(shí)空上越過(guò) P_cep 點(diǎn)，即使駕駛?cè)送瑫r(shí)采用多種應(yīng)急避險(xiǎn)（如全力制動(dòng)、轉(zhuǎn)向等）措施，仍無(wú)法避免碰撞發(fā)生。確定避險(xiǎn)臨界點(diǎn)后，將當(dāng)前主車位置與避險(xiǎn)臨界點(diǎn)間的行駛時(shí)間 T_gap 作為行車風(fēng)險(xiǎn)表征指標(biāo)，即車輛距離 P_cep 點(diǎn)越近，可采取避險(xiǎn)措施避免碰撞的可能性越小，從而越難以避免事故發(fā)生。同時(shí)，將 P_cep 點(diǎn)到預(yù)碰撞點(diǎn)的行駛時(shí)間 T_cep 作為車輛制動(dòng)時(shí)間指標(biāo)，來(lái)制定車輛的制動(dòng)策略。

2.2避險(xiǎn)臨界點(diǎn)的計(jì)算

2.2.1 主車直行避險(xiǎn)臨界點(diǎn)

在主車直行條件下，以初始時(shí)刻的主車位置為坐標(biāo)原點(diǎn)，主車運(yùn)動(dòng)方向?yàn)?x₁ 軸，與其垂直方向?yàn)?x₂ 軸建立坐標(biāo)系，構(gòu)建避險(xiǎn)臨界點(diǎn)數(shù)學(xué)模型，如圖2所示。其中：d₁，d₂ 分別為汽車寬度和二輪車長(zhǎng)度； v₁，v₂ 分別為汽車和二輪車的速度； θ 為 v₂ 與 x₁ 軸的夾角； m 為兩車在 x₁ 軸投影的距離； ∣c∣ 為二輪車與 x₁ 軸的垂直距離； L_x1，L_x2 分別為某時(shí)刻汽車和二輪車在 x₂ 軸方向的位移； 分別為汽車縱向和橫向最大加/減速度： ;μ 為路面的附著系數(shù)，決定路面為車輛提供的最大制動(dòng)力。

為了避免車輛碰撞，需滿足以下情況中任意一項(xiàng)：

a.情況1：主車減速避開二輪車，當(dāng)主車減速后的車速不超過(guò)二輪車同向運(yùn)行速度時(shí)，自減速起的行駛距離不超過(guò)起始時(shí)刻車輛間距離。

b.情況2：主車同向轉(zhuǎn)向避開二輪車（主車與二輪車在 x₂ 軸的橫向位移方向一致），見圖3a。

c.情況3：主車反向轉(zhuǎn)向避開二輪車（主車與二輪車在 x₂ 軸的橫向位移方向相反），見圖 3b 。

根據(jù)數(shù)學(xué)模型，3種情況可分別表示為：

其中

車輛從初始位置出發(fā)，如果滿足上述情況，說(shuō)明主車仍有避免碰撞的可能，此時(shí) m 未達(dá)到避免碰撞的最小值。重復(fù)上述過(guò)程，減小 m 至最小值，使車輛不符合避撞條件，則無(wú)法避免碰撞，此時(shí)，臨界距離 m_cep=m 。

2.2.2 主車轉(zhuǎn)向避險(xiǎn)臨界點(diǎn)

相較于直線行駛，主車轉(zhuǎn)向夾角的變化具有隨機(jī)性，難以直接計(jì)算結(jié)果。因此，需要使用迭代計(jì)算模型模擬車輛的運(yùn)動(dòng)情況。

在主車轉(zhuǎn)向的條件下，以初始時(shí)刻二輪車位置為坐標(biāo)原點(diǎn)，二輪車行駛方向?yàn)?x₁ 軸，與其垂直方向?yàn)?x₂ 軸建立坐標(biāo)系，構(gòu)建避險(xiǎn)臨界點(diǎn)數(shù)學(xué)模型，如圖4所示。其中， d₃ 為主車的長(zhǎng)度， θ 為二輪車速度與 x₂ 軸的夾角，x₀ 為二輪車中心點(diǎn)到主車投影至 x₁ 軸中心點(diǎn)的距離， .y₀ 為主車中心點(diǎn)到投影至 x₁ 軸的距離， x（t），y（t） 分別為 χ_t 時(shí)刻車輛沿 x₁ 軸 軸方向的累計(jì)路程。

將汽車的速度沿 軸分解，得到2025年第7期

角速度為 ω（t）=k?R（t） 其中， k 為轉(zhuǎn)向靈敏度系數(shù)， R（t） 為轉(zhuǎn)向盤轉(zhuǎn)角。

已知車輛的位置，即確定初始 y₀ ，分別計(jì)算后一時(shí)刻主車的位移、速度和加速度：

在尋找避險(xiǎn)臨界點(diǎn)的過(guò)程中，若 y₀ 自初始值判斷為非避險(xiǎn)臨界點(diǎn)，則繼續(xù)向 x₁ 軸逼近 Δm ，并采用循環(huán)迭代方法，直至某點(diǎn)被判定為避險(xiǎn)臨界點(diǎn)結(jié)束循環(huán)。

初始狀態(tài) x（t）=0、y（t）=0、θ（t）=θ ，迭代時(shí)間步長(zhǎng)為 Δt 每增加一次步長(zhǎng)，計(jì)算本輪主車的位置、速度和加速度，并根據(jù)以下循環(huán)判斷條件進(jìn)行判斷，臨界條件如圖5所示：

a.情況4：當(dāng)主車 x₁ 方向的速度降低至0時(shí)，該方向位移小于初始間距 y₀ ，即當(dāng) v_y（t）=0 時(shí)，判斷 y（t）?y₀ 是否成立。

b.情況5：若 y（t）?y₀ 且 y（t+Δt）gt;y₀ ，計(jì)算 Φ_t 時(shí)刻車輛和二輪車在空間上碰撞情況。如果公式（3）成立，則避免碰撞。

若滿足上述條件之一，繼續(xù)進(jìn)行迭代計(jì)算，逐漸減小車輛與 x₁ 軸的距離，再次驗(yàn)證上述條件，直到找到均不滿足的y值，其中， y=y₀-Δy ；若均不符合，則車輛位于避險(xiǎn)臨界點(diǎn)，迭代終止。此時(shí)，主車到，軸的距離ycep，通過(guò)最終夾角 θ_cep ，計(jì)算該時(shí)刻避險(xiǎn)臨界點(diǎn)與預(yù)碰撞點(diǎn)的距離

2.3基于避險(xiǎn)臨界點(diǎn)的風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)

為了表征主車發(fā)生事故的風(fēng)險(xiǎn)程度，本文將車輛當(dāng)前位置與避險(xiǎn)臨界點(diǎn)間的行駛時(shí)間 T_gap 作為風(fēng)險(xiǎn)評(píng)價(jià)指標(biāo)，如圖6所示。

當(dāng)距避險(xiǎn)臨界點(diǎn)時(shí)間越久，車輛發(fā)現(xiàn)危險(xiǎn)、進(jìn)行避險(xiǎn)操作的預(yù)留時(shí)間越長(zhǎng)，發(fā)生事故的風(fēng)險(xiǎn)越低；反之，則風(fēng)險(xiǎn)更高。 T_gap 可表示為：

式中： m_cep 為避險(xiǎn)臨界點(diǎn)與預(yù)碰撞點(diǎn)間的空間距離， 為車輛初始位置到預(yù)碰撞點(diǎn)的總運(yùn)動(dòng)時(shí)間， v₀ 為兩車在m_cep 方向上的相對(duì)速度。

此外， T_cep 還可作為車輛制動(dòng)策略的時(shí)間指標(biāo)，通過(guò)使用 T_gap 進(jìn)行案例選取，進(jìn)一步討論該指標(biāo)在制動(dòng)控制策略優(yōu)化中的應(yīng)用。

3高危險(xiǎn)度事故案例選取

3.1事故數(shù)據(jù)提取

基于 T_gap 指標(biāo)挑選車輛-二輪車事故案例中的高危險(xiǎn)度案例，驗(yàn)證制動(dòng)策略的有效性。本文將中國(guó)道路交通事故深度調(diào)查（China In-Depth Accident Study，CIDAS）中臨碰撞前（Pre-Crash）數(shù)據(jù)集作為場(chǎng)景識(shí)別和控制策略優(yōu)化的研究基礎(chǔ)。該數(shù)據(jù)集基于CIDAS獲取的現(xiàn)場(chǎng)記錄，采用事故重建技術(shù)，復(fù)現(xiàn)事故發(fā)生前場(chǎng)景，并提取復(fù)現(xiàn)場(chǎng)景數(shù)據(jù)，主要包括：主車及相關(guān)車輛位置、運(yùn)行軌跡、碰撞位置、碰撞姿態(tài)、周邊環(huán)境等。

本文數(shù)據(jù)集選取116起汽車-二輪車碰撞事故場(chǎng)景，根據(jù)事故前的主車行駛狀態(tài)，將場(chǎng)景分為主車直行和轉(zhuǎn)向2類場(chǎng)景。

3.2風(fēng)險(xiǎn)量化計(jì)算與高危案例挑選

基于 T_gap 計(jì)算各事故場(chǎng)景某時(shí)刻的運(yùn)行風(fēng)險(xiǎn)，其中，各事故案例均從距事故發(fā)生前2s開始進(jìn)行風(fēng)險(xiǎn)迭代計(jì)算，計(jì)算參數(shù)取值如表1所示。

在計(jì)算事故案例時(shí)，附著系數(shù) k 使用案例提供數(shù)值，但實(shí)際過(guò)程中需要根據(jù)道路情況進(jìn)行動(dòng)態(tài)調(diào)整。參考文獻(xiàn)[15]基于交互式多模型的自適應(yīng)無(wú)跡卡爾曼濾波（IMM-AUKF路面附著系數(shù)估計(jì)方法，實(shí)時(shí)地估計(jì)路面附著系數(shù) μ ，并在數(shù)學(xué)模型中迭代計(jì)算。因此，不同事故場(chǎng)景的 T_gap 計(jì)算結(jié)果如圖7所示。

從TTC的角度，所有案例均從碰撞前2s計(jì)算風(fēng)險(xiǎn)度，表明風(fēng)險(xiǎn)評(píng)估時(shí)所有案例的風(fēng)險(xiǎn)度相同。但 T_gap 產(chǎn)生了明顯差異，說(shuō)明 T_gap 能夠較好地識(shí)別出TTC難以識(shí)別的風(fēng)險(xiǎn)，能夠減緩事故嚴(yán)重度、乘員損傷程度。由圖7可知，大部分事故場(chǎng)景的 T_gap 集中在1.2＼～2s，主車直線行駛的場(chǎng)景中部分 T_gaplt;1 s，主車轉(zhuǎn)向場(chǎng)景 T_gap 集中在1.4＼～2s，最危險(xiǎn)的案例集中在 1.5s 附近。 T_gap 的極差約為 0.5s ，符合駕駛員的反應(yīng)時(shí)間。

依據(jù)計(jì)算結(jié)果，選取各類型中 T_gap 最大或最?。达L(fēng)險(xiǎn)最大或最?。┑陌咐?，作為后文自動(dòng)駕駛制動(dòng)策略測(cè)試的案例。

4自動(dòng)駕駛制動(dòng)策略測(cè)試

4.1 測(cè)試環(huán)境構(gòu)建

本文需在仿真環(huán)境中搭建事故場(chǎng)景，如圖8所示，仿真場(chǎng)景的主要搭建流程為：首先，將CIDAS臨碰撞數(shù)據(jù)集的事故再現(xiàn)文件（之前采用PC-Crash生成）導(dǎo)入PreScan仿真環(huán)境中，生成基礎(chǔ)事故場(chǎng)景；然后，完善基礎(chǔ)事故場(chǎng)景中靜態(tài)環(huán)境；最后，在Simulink中添加制動(dòng)控制算法模塊與碰撞檢測(cè)模塊，進(jìn)行制動(dòng)控制算法的仿真測(cè)試。

4.2基于 T_cep 的制動(dòng)控制策略

本文結(jié)合避險(xiǎn)臨界點(diǎn)與分級(jí)制動(dòng)控制思想，提出將T_cep 作為不同等級(jí)制動(dòng)觸發(fā)條件的制動(dòng)控制策略，如表2所示。根據(jù)車輛速度選擇制動(dòng)等級(jí)，當(dāng)主車距離前車碰撞時(shí)間到達(dá)不同制動(dòng)閾值時(shí)，采取不同比例的制動(dòng)力。

充分考慮安全性原則，防止出現(xiàn)意外情況時(shí)因 T_cep 過(guò)小而導(dǎo)致無(wú)法及時(shí)制動(dòng)，設(shè)置 T_ceplt;0.4 s時(shí)，將其分級(jí)制動(dòng)閾值分別設(shè)置為0.8s和 1.6s 。同時(shí)，對(duì)比文獻(xiàn)[16]的分級(jí)TTC控制策略（見表3）。

為了驗(yàn)證基于 T_cep 的制動(dòng)控制策略有效性，需要針對(duì)不同的碰撞場(chǎng)景開展試驗(yàn)[1]，本文結(jié)合文獻(xiàn)[18]的碰撞分類方法，根據(jù)主車轉(zhuǎn)向情況將CIDAS汽車-二輪車案例的事故類型進(jìn)行分類，測(cè)試場(chǎng)景類型如圖9所示。

4.3 制動(dòng)策略測(cè)試

為了驗(yàn)證本文制動(dòng)策略的有效性，分別對(duì)主車直行垂直碰撞、與二輪車追尾碰撞、與二輪車對(duì)向碰撞、二輪車夾角碰撞及主車轉(zhuǎn)向碰撞等碰撞場(chǎng)景案例進(jìn)行驗(yàn)證，并分析本文方案在事故避免、碰撞速度降低、制動(dòng)距離等方面的性能。

4.3.1直行垂直碰撞場(chǎng)景

在主車直行碰撞二輪車側(cè)向的事故場(chǎng)景中，選取最大和最小的風(fēng)險(xiǎn)案例進(jìn)行試驗(yàn)，結(jié)果如圖10、圖11所示。

由圖10可知，基于 T_cep 的制動(dòng)策略的速度變化更平緩，制動(dòng)提前量更大，制動(dòng)更有效。在高風(fēng)險(xiǎn)案例中，基于TTC的制動(dòng)策略，車輛無(wú)法避免碰撞，而基于 T_cep 的制動(dòng)策略，通過(guò)提前制動(dòng)解決了車輛與二輪車的碰撞問(wèn)題；由圖11可知，基于TTC的制動(dòng)策略，車輛制動(dòng)停止點(diǎn)與預(yù)碰撞點(diǎn)的距離為 1.069m ，而基于 T_cep 的制動(dòng)策略停止點(diǎn)與預(yù)碰撞點(diǎn)的距離為 1.32m ，說(shuō)明后者的制動(dòng)空間更大。

4.3.2 直行追尾場(chǎng)景

在主車直行追尾碰撞二輪車事故場(chǎng)景中，試驗(yàn)結(jié)果如圖12所示。該場(chǎng)景中，兩種制動(dòng)策略均無(wú)法避免碰撞，但基于 T_cep 的制動(dòng)策略使主車的碰撞速度從 39.9km/h 下降至 25.2km/h ，能夠降低事故帶來(lái)的傷害。

4.3.3 直行對(duì)向碰撞場(chǎng)景

在主車直行碰撞對(duì)向二輪車的事故場(chǎng)景中，試驗(yàn)結(jié)果如圖13所示。采用基于TTC制動(dòng)策略未能阻止碰撞的發(fā)生，主車的碰撞速度為 0.8m/s ，而在這種極度危險(xiǎn)的場(chǎng)景中，基于 T_cep 的制動(dòng)策略在前 1.8s 對(duì)使主車制動(dòng)停止，避免了事故發(fā)生。

4.3.4轉(zhuǎn)向場(chǎng)景

在主車轉(zhuǎn)向場(chǎng)景中選取兩個(gè)最危險(xiǎn)的案例，結(jié)果如圖14所示。圖 14a 中，兩種制動(dòng)策略均能夠避免事故發(fā)生，相比之下，基于 T_cep 制動(dòng)策略的制動(dòng)時(shí)間更短，車輛速度曲線更平緩，有效降低了制動(dòng)停止過(guò)程對(duì)駕駛員的影響。圖14b中，兩種制動(dòng)策略同樣避免了碰撞，通過(guò)觀察3D運(yùn)行圖中主車制動(dòng)停止的位置（見圖15），基于T_cep 制動(dòng)策略控制的主車制動(dòng)停正位置與預(yù)碰撞點(diǎn)的距離約為 2.8m ，而基于TTC控制制動(dòng)策略控制的主車制動(dòng)停正位置距離預(yù)碰撞點(diǎn)僅為 0.6m ，表明基于 T_cep 的制動(dòng)策略為車輛預(yù)留了更長(zhǎng)的制動(dòng)距離，為車輛操縱提供了更大的容錯(cuò)空間。

因此，相較于基于TTC的制動(dòng)策略，基于 T_cep 的制動(dòng)策略在不同碰撞類型和不同危險(xiǎn)度場(chǎng)景中均表現(xiàn)出較好的性能，有效地避免了此類危險(xiǎn)場(chǎng)景下事故的發(fā)生。在無(wú)法避免事故中，能夠顯著降低碰撞時(shí)刻的瞬時(shí)速度，從而減緩乘員傷害和事故嚴(yán)重程度。

5結(jié)束語(yǔ)

本文針對(duì)現(xiàn)有碰撞時(shí)間指標(biāo)在動(dòng)態(tài)復(fù)雜環(huán)境中難以全面量化風(fēng)險(xiǎn)的局限，提出了避險(xiǎn)臨界點(diǎn)理念，并據(jù)此建立了數(shù)學(xué)模型，提出了風(fēng)險(xiǎn)識(shí)別方法和制動(dòng)控制策略。在多種代表性場(chǎng)景下，本文策略表現(xiàn)顯著更優(yōu)，能夠平緩、有效地實(shí)施制動(dòng)。后續(xù)將在更多類型交通參與者（如行人、其他車輛）構(gòu)成的風(fēng)險(xiǎn)場(chǎng)景中進(jìn)行廣泛的測(cè)試與驗(yàn)證，進(jìn)一步優(yōu)化該方法的魯棒性與泛用性。

參考文獻(xiàn)

[1]國(guó)家統(tǒng)計(jì)局.中國(guó)統(tǒng)計(jì)年鑒[M].北京：中國(guó)統(tǒng)計(jì)出版社， 2024. National BureauofStatistics ofChina.China Statistical Yearbook[M].Beijing：China Statistics Press，2024.

[2]白先旭，左瑜，李維漢，等.自動(dòng)緊急制動(dòng)系統(tǒng)控制模塊的 SOTIF量化評(píng)價(jià)[J].汽車工程，2023，45（9）：1655-1665. BAIXX，ZUOY，LIWH，etal.QuantitativeEvaluationof SOTIFfor Control Module of AEBS[J].Automotive Engineering，2023，45（9）：1655-1665. 2025年第7期

[3]BRUMMELEN JV，O’BRIEN M，GRUYER D，et al. Autonomous Vehicle Perception：the Technology of Today and Tomorrow[J]. Transportation Research Part C： Emerging Technologies，2018，89： 384-406.

[4]武和全，劉瑾，龔創(chuàng)業(yè)，等.自動(dòng)駕駛汽車的碰撞安全性研 究綜述[J].長(zhǎng)沙理工大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，20（2）： 35-44. WU HQ，LIU J， GONG C Y，et al. A Review of Crash Safety Research on Self-Driving Cars[J]. Journal of Changsha University of Science and Technology （Natural Science）， 2023，20（2）： 35-44.

[5]楊超，楊帆，王偉達(dá)，等.基于時(shí)空風(fēng)險(xiǎn)的智能駕駛車輛避 險(xiǎn)決策規(guī)劃[J].汽車工程，2024，46（6）：975-984. YANGC，YANGF，WANGWD，et al.Risk Avoidance Decision Planning for Intelligent Driving Vehicles Based on Spatiotemporal Risk[J]. Automotive Engineering，2024， 46（6）： 975-984.

[6]李勝琴，杜鵬.考慮駕駛員差異性的安全距離模型優(yōu) 化[J].江蘇大學(xué)學(xué)報(bào)（自然科學(xué)版），2023，44（3）：249- 253+261. LI SQ，DU P.Optimization of Safe Distance Model ConsideringDriverDifference[J].Journal ofJiangsu University （Natural Science Edition）， 2023，44（3）： 249-253+ 261.

[7]王孜健，李心怡，景峻，等.高速公路跟車場(chǎng)景的碰撞時(shí)間 改進(jìn)方法及應(yīng)用案例研究[J].科技與創(chuàng)新，2023（11）：123- 125. WANG ZJ，LI XY，JINGJ，et al.Improved Time-toCollision Method and Case Study for Highway CarFollowingScenarios[J].ScienceandTechnologyamp; Innovation，2023（11）： 123-125.

[8]孫寧.基于駕駛員特性辨識(shí)的AEB控制策略研究[D].長(zhǎng) 春：吉林大學(xué)，2019. SUN N. Research on AEB Control Strategy Based on Driver Characteristic Identification[D]. Changchun： Jilin University， 2019.

[9]張宇豐，張友兵，周奎，等.TTC與安全時(shí)距協(xié)同AEB控制 策略[J].湖北汽車工業(yè)學(xué)院學(xué)報(bào)，2022，36（3）：35-39. ZHANG Y F， ZHANG Y B， ZHOU K， et al. Cooperative AEB Control Strategy Based on TTC and Safe Headway[J]. Journalof Hubei University of Automotive Technology， 2022， 36（3）： 35-39.

[10]楊賀博，張小俊，羅耿耿，等.基于動(dòng)態(tài)碰撞時(shí)間的自動(dòng) 緊急制動(dòng)策略設(shè)計(jì)[J].汽車技術(shù)，2024（2）：17-24. YANG HB， ZHANG XJ，LUO G G，et al.Design of Automatic Emergency Braking Strategy Based on Dynamic Time to Collsion[J]. Automobile Technology，2024（2）：17- 24. 型半掛汽車列車AEB控制策略研究[J].汽車工程，2021， 43（9）：1350-1359+1366. GUOXJ，SUNP，DENGJ，etal.Research on AEB Control StrategyofaHeavy Tractor-SemitrailerCombination Based onBPNeural Network Algorithm Prediction[J].Automotive Engineering，2021，43（9）：1350-1359+1366.

[12]趙林峰，張丁之，王慧然，等.基于改進(jìn)安全距離模型的 人機(jī)協(xié)同縱向避撞研究[J].汽車工程，2021，43（4）：588- 600. ZHAOL F，ZHANGDZ，WANGHR，et al.Studyon Longitudinal Collision Avoidance with Human-Machine Cooperation Based on Improved Safety Distance Model[J]. Automotive Engineering，2021，43（4）： 588-600.

[13]ZHAOSS，LIUY，ZHANGS，etal.ResearchonAEBCarto-Car Test Scenario in Intersection Environment[C]// International Conference on Smart Transportation and City Engineering （STCE 2023）. Chongqing， China： SPIE，2024.

[14]秦嚴(yán)嚴(yán)，肖騰飛，羅欽中，等.霧天高速公路車輛跟馳安 全分析及控制策略[J/OL].吉林大學(xué)學(xué)報(bào)（工學(xué)版）， （2023-12-01） [2025-02-10]. https：//doi. org/10.13229/j. cnki.jdxbgxb.20230634. QINYY，XIAO TF，LUOQZ， et al.Car-FollowingSafety Analysis and Control Strategy for Foggy Freeway[J/OL]. Journal of Jilin University （Engineering and Technology Edition）， （2023-12-01） [2025-02-10]. https：//doi.org/ 10.13229/j.cnki.jdxbgxb.20230634.

[15]鄧浩楠，趙治國(guó)，趙坤，等.四驅(qū)車輛交互式多模型自適 應(yīng)無(wú)跡卡爾曼濾波路面附著系數(shù)估計(jì)[J].汽車工程， 2024，46（8）：1357-1369. DENG H N， ZHAO Z G， ZHAO K，et al. Estimation of Road Adhesion Coefficient Using Interactive Multiple Model Adaptive Unscented Kalman Filter for 4WID Vehicles[J]. Automotive Engineering，2024，46（8）： 1357- 1369.

[16]杜峰，程劍鋒，齊蕾，等.基于駕駛行為特性的AEB系統(tǒng) 控制策略研究[J].河南科技大學(xué)學(xué)報(bào)（自然科學(xué)版）， 2023，44（6）： 16-25+5 # DU F，CHENG JF，QI L，et al.Control Strategy of AEB System Based on Driving Behavior Characteristics[J]. Journal of Henan University of Science and Technology （Natural ScienceEdition），2023，44（6）：16-25+5.

[17]WANGXS，LIUQ，GUOF，etal.Causation Analysisof Crashes and Near Crashes Using Naturalistic Driving Data[J].AccidentAnalysisandPrevention，2O22，177.

[18]曹倩.電動(dòng)二輪車與機(jī)動(dòng)車碰撞事故嚴(yán)重程度影響因素 分析[D].淄博：山東理工大學(xué)，2023. CAOQ.Analysis of Factors Affecting Injury Severity in Crashes Between Electric Two-Wheelers and Motor Vehicles[D]. Zibo： Shandong University of Technology， 2023. （責(zé)任編輯瑞秋） 修改稿收到日期為2025年2月10日。

《汽車工程師》征稿啟事

《汽車工程師》于1974年創(chuàng)刊，是由中國(guó)第一汽車集團(tuán)有限公司主管、中國(guó)第一汽車股份有限公司主辦的國(guó)內(nèi)外公開發(fā)行的汽車應(yīng)用技術(shù)類學(xué)術(shù)期刊，為RCCSE中國(guó)準(zhǔn)核心學(xué)術(shù)期刊、CACJ中國(guó)應(yīng)用型擴(kuò)展期刊，被哥白尼精選數(shù)據(jù)庫(kù)、EBSCO學(xué)術(shù)數(shù)據(jù)庫(kù)、歐洲學(xué)術(shù)出版中心（EuroPub）數(shù)據(jù)庫(kù)、J-Gate數(shù)據(jù)庫(kù)收錄。

《汽車工程師》以報(bào)道汽車產(chǎn)品設(shè)計(jì)領(lǐng)域的技術(shù)研究成果為主，專注于技術(shù)開發(fā)與應(yīng)用層面的創(chuàng)新成果，提供汽車設(shè)計(jì)創(chuàng)新解決方案?！镀嚬こ處煛穼盐针妱?dòng)化、智能化、網(wǎng)聯(lián)化、共享化的汽車技術(shù)主流發(fā)展趨勢(shì)，努力吸收優(yōu)質(zhì)稿源，為我國(guó)汽車工程技術(shù)創(chuàng)新能力提升貢獻(xiàn)力量。重點(diǎn)征稿方向包括：鋰離子電池與新體系電池、動(dòng)力電池?zé)峁芾砼c熱失控、燃料電池及其關(guān)鍵零部件、車用電機(jī)及其控制器、自動(dòng)駕駛汽車環(huán)境感知與感知融合、自動(dòng)駕駛汽車定位與建圖、自動(dòng)駕駛汽車測(cè)試、人工駕駛-無(wú)人駕駛車輛混行條件下的自動(dòng)駕駛控制、智能線控底盤、一體化底盤、功能安全和預(yù)期功能安全。

熱忱歡迎汽車行業(yè)的專家學(xué)者不吝賜稿，反映國(guó)家重點(diǎn)扶持項(xiàng)目、自然科學(xué)基金項(xiàng)目和其他重點(diǎn)項(xiàng)目等研究成果的稿件將優(yōu)先發(fā)表，我們期待與您共同踐行“把論文寫在祖國(guó)大地上\"的指示精神，為強(qiáng)大中國(guó)汽車工業(yè)作貢獻(xiàn)！

本刊使用協(xié)同采編系統(tǒng)處理稿件，請(qǐng)登陸期刊網(wǎng)站注冊(cè)后投稿，投稿要求見本刊網(wǎng)站中“下載中心\"欄目的作者指南，網(wǎng)址：http：//tjqc.cbpt.cnki.net。