王晶晶 郭文博 张友松 谢长贵

（1.重庆工程职业技术学院，重庆 402260；2.重庆理工大学，重庆 400054）

主题词：视野肓区 车车通信 行人主动避撞 危险状态判断

1 前言

行人作为交通环境中最弱势的群体，其死亡人数占交通事故死亡总人数的23%。因此，针对行人保护的主动避撞技术成为汽车主动安全技术研究的热点。葛如海等针对交叉路口转弯车辆与行人碰撞的危险场景，提出了一种综合碰撞时间和制动距离的碰撞策略。何霞等研究了基于雷达探测的自动紧急制动系统控制策略中宽度触发对行人横穿场景的影响，但由于雷达传感器的局限性（如障碍物遮挡），导致该策略无法及时检测到行人。

车联网（Vehicle to Everything，V2X）作为智能网联汽车中信息交互的关键技术，能够实现车辆的安全、舒适、节能、高效行驶。彭理群等提出一种基于车-人（Vehicle to Pedestrian，V2P）通信的行人碰撞风险辨识方法，建立了人车碰撞概率和冲突风险程度模型。Xiong等提出了一种基于V2P的行人避撞系统，并验证了不同通信延迟和丢包率条件下的避撞性能。Tahmasbi等利用智能手机和专用短程通信（Dedicated Short Range Communications，DSRC）网络开发具有目标分类的避撞系统，使一定区域内的行人与车辆共享位置信息，进而降低潜在的碰撞风险。Hussein等提出了一种基于V2P和P2V通信技术的碰撞预测算法，该算法大幅度降低了车辆与行人间潜在的碰撞危险。由于V2P 通信中行人配备的特定设备（如手机等）与车辆定位设备相比碰撞预测的误差较大，使得车辆主动避撞系统发生误报和漏报的概率较大。而基于车车通信（Vehicle to Vehicle，V2V）的行人主动避撞系统可以使相邻车辆间共享行人位置，从而避免上述问题。

针对行人从静止车辆前穿出的高风险场景，本文提出一种基于车联网的行人主动避撞控制策略。首先基于V2V 通信建立遮挡车、主车与行人间的相对位置关系模型，并提出目标进入时间（Time To Enter，TTE）、目标离开时间（Time To Leave，TTL）、碰撞剩余时间（Time To Collision，TTC）和安全避撞时间（Time To Avoidance，TTA）4个危险状态判断评价指标，实现对主车横向和纵向危险状态的判断，然后建立由上层模糊控制和下层PID 控制组成的主动避撞控制系统模型，最后通过PreScan、CarSim 和MATLAB/Simulink 对该行人避撞策略进行联合仿真验证。

2 基于车联网的行人主动避撞系统

2.1 行人主动避撞系统工作原理

在某些恶劣天气、不良照明状况，或有障碍物遮挡的危险场景下，通过遮挡车辆检测到行人目标，并利用V2V技术传送给主车，主车即可采取措施避免事故的发生。如图1所示为事故频发的“鬼探头”高危交通场景，在左侧车道遮挡车等待交通指示灯指令左转或掉头时，右侧车道主车处于绿灯通行状态。受遮挡车辆的影响，主车的传感器无法及时探测到正在违规穿越马路的行人，从而导致主车无法有效避撞。而基于车联网的行人主动避撞系统可以利用遮挡车辆的车载传感器系统监测行人，并通过V2V 通信系统将检测到的行人信息发送给主车，使主车提前获得行人位置和运动状态信息，并对行驶时的危险状态进行判断，以提前激活主动避撞系统，避免事故发生。

图1 “鬼探头”危险场景

2.2 GPS信息的坐标转换

在V2V通信中，车辆之间可以共享多种信息，如车辆的位置、速度、航向角等。而车辆收到的位置信息以经纬度的形式表示，即WGS-84 坐标，该坐标系不便于计算车辆间的相对距离等信息，因此需要通过高斯-克吕格投影将WGS-84 坐标系转换成高斯平面坐标系。WGS-84坐标()与高斯平面坐标()的转换关系为：

式中，为赤道到纬度为的平行圈的子午线弧长；为投影点经度与该点所处经度带轴子午线经度的差；=6-3；=[(+3)/6]为当地6度带的带号；为取整函数，对值进行四舍五入取整；=tan；=′cos；′为第二偏心率；为卯酉圈曲率半径。

由于转换后的高斯平面坐标系是以中央子午线的投影为轴（北向为正方向），赤道的投影为轴（东向正方向），与笛卡尔坐标系不一致，需将高斯平面坐标()与笛卡尔坐标()进行转换：

其中，将笛卡尔坐标系作为全局坐标系，()坐标为车辆中心和行人中心位置的坐标。

2.3 被遮挡行人的位置计算

当行人在遮挡车辆前方穿行时，其位置可由遮挡车辆位置和雷达探测到的距离、角度等信息计算获得。假设车载雷达安装在遮挡车辆前保险杠面罩的中心处，雷达坐标原点即在车辆前端中心。如图2所示，全局坐标系为，车辆坐标系为，为方便坐标转换，将全局坐标系平移后的局部坐标系设为″″″，()为遮挡车辆在全局坐标系下的坐标，(,)为行人在全局坐标系下的坐标。

图2 遮挡车辆与行人的位置关系

式中，为车辆中心到前端雷达的距离；为雷达探测到的车辆与行人间的直线距离；为雷达探测到的前方行人相对于车辆的方位角。

当∈(180°,360°]时，行人在全局坐标系中的坐标可以表示为：

根据(,)和主车在全局坐标系中的坐标(,)，可知主车与行人间的相对位置关系，如图3 所示，主车和行人的相对距离和两者之间的连线与轴的夹角分别为：

图3 主车与行人的位置关系

则主车与行人碰撞位置处的纵向距离、横向距离和行人行走的方向角分别为：

式中，、分别为主车和遮挡车航向角，即汽车行驶方向与轴（正北方向）的夹角；、分别为遮挡车雷达坐标系中行人的纵向和横向速度。

将行人的速度进行变换，得到行人相对于主车车辆坐标系的纵向速度和横向速度：

主车获取行人位置和运动状态信息后，需要对行人运动轨迹进行预测，实现对行人位置的实时跟踪。假设行人的纵向和横向速度在预测时间内保持不变，则行人位置的预测可表示为：

式中，(+())、(+())分别为(+())时刻行人相对于主车的纵向距离和横向距离；()为时刻的预测时长。

3 主动避撞系统危险状态判断

3.1 纵向危险状态判断

对于主动避撞系统，安全时间算法相比于安全距离算法更能体现驾驶员在自然驾驶状态下的感知和判断习惯。本文以安全时间算法为基础建立纵向危险状态判别模型，根据主车与前方目标行人的运动状态和位置关系建立TTC和TTA评价指标，并通过比较TTC和TTA的大小判断主车在纵向上是否处于危险状态。

主车行驶过程中，可根据本车传感器获得的本车运动状态信息和雷达传感器获得的前方危险目标运动状态信息，建立碰撞剩余时间纵向危险状态判断模型，运动关系方程为：

式中，、分别为主车和前方危险目标的速度；、分别为主车和前方危险目标的加速度；为主车中心与前方危险目标中心的相对距离；=+为车长；为主车中心到主车前保险杠面罩的距离；为危险目标中心到其后保险杠面罩的距离。

由式（15），当=(-)-2(-)(-)≥0 时，主车与前方危险目标会发生碰撞，则为：

式中，、分别为前车与危险目标的相对速度和相对加速度。

为主动避撞系统接替车辆控制权以避免碰撞危险发生所需的最短时间：

式中，为轮胎-路面附着系数；为道路坡度；为重力加速度，取=9.8 m/s；为踩下制动踏板到制动生效的时间，取=0.1 s；为制动力增长时间，一般为0.15～0.30 s，本文取=0.2 s。

由式（17）知，在一定道路条件下，与车辆行驶速度有关，可根据不同的车速及时改变。考虑当车速较低时，计算得到的可能较小，导致产生较大的制动加速度，因此设定一个临界值，参考联合国欧洲经济委员会（the United Nations Economic Commission for Europe，UNECE）法规草案，取=1 s。另外，考虑制动器的协调时间和制动力增长时间，取的最小临界值为1.2 s，即=max(/(gcos+sin)++/2,1.2 s)。

在车辆行驶过程中，主动避撞系统实时检测潜在的碰撞危险，并实时比较和的大小，以确定车辆在纵向上是否处于危险状态，如图4 所示，其判断过程如下：

图4 车辆纵向危险状态区域

a.当＞时，车辆行驶状态为安全状态，此时输出纵向危险信号值0；

b.当≤时，车辆行驶状态为纵向碰撞危险状态，此时驾驶员若未采取避撞措施，则纵向危险状态判断模型将车辆的状态判定为纵向危险状态，此时输出纵向危险信号值1。

3.2 横向危险状态判断

车辆在行驶过程中，除要检测其前方纵向位置是否有危险目标外，还要检测其前方横向位置是否有潜在的危险目标。根据主车与目标的运动状态和位置关系建立TTE 和TTL 2 个评价指标，并通过比较TTC、TTE 和TTL间的大小关系来判断主车在横向上是否处于危险状态。

为目标保持当前运动状态进入到车辆碰撞危险区域（如图5区域Ⅰ）的时间：

图5 车辆横向碰撞危险区域Ⅰ

式中，为主车的宽度；为行人目标的宽度；为主车与潜在危险目标所需保持的最小安全距离。

当目标位于车辆碰撞危险区域内且速度为0时，判断该目标为危险目标，其进入时间为0；当目标位于车辆碰撞危险区域外且速度为0 时，判断目标为安全目标，进入时间为无穷大。

为目标保持当前运动状态离开车辆碰撞危险区域的时间：

根据主车与行人的位置关系和运动状态信息，分别计算出、、，比较三者间的大小关系：

a.当＜时，车辆到达预计碰撞点时行人还未进入碰撞危险区域，则横向危险状态判断模型将车辆的状态判定为安全状态，此时输出横向危险信号值0；

b.当＞时，车辆到达预计碰撞点时行人已经离开碰撞危险区域，则横向危险状态判断模型将车辆的状态判定为安全状态，此时输出横向危险信号值0；

c.当≤≤时，车辆到达预计碰撞点时行人位于碰撞危险区域内，则横向危险状态判断模型将车辆的状态判定为横向危险状态，此时输出横向危险信号值1。

如果纵向和横向危险状态判别模型均判断此时车辆处于危险状态，驾驶员仍未采取避撞措施，则车辆主动避撞系统会被激活，代替驾驶员接管车辆控制权，自动施加制动压力避免碰撞发生。

4 主动避撞控制系统设计

4.1 主动避撞控制策略设计

在车辆实际行驶过程中，对于不同行车状况，驾驶员驾驶时的紧张程度和注意力集中程度不同：当车辆处于高速行驶且有危险状况即将发生的情况下，由于环境复杂，驾驶员通常较早使车辆进入紧急制动状态；在车辆处于低速行驶且有危险即将发生的情况下，驾驶员通常会较晚采取紧急制动措施。主动避撞系统控制策略设计时应考虑高速行驶工况下系统较早介入，低速行驶工况下系统较晚介入。因此，以上述作为主动避撞系统介入的时间阈值，当≤时，采取一级制动，当≤0.75时，采取二级制动。

在制动加速度方面，文献[12]中统计的碰撞事故中驾驶员紧急制动过程中车辆所达到的加速度如表1 所示，一、二级加速度分别取其平均值，即取一级制动加速度为-4.1 m/s，取二级制动加速度为-7.1 m/s。

2.4.5 血清样本中游离脂肪酸含量测定 取大鼠血清样本50 μL，按“2.4.2”项下方法预处理，并按“2.4.3”项下色谱与质谱条件进样测定，再按标准曲线法计算其中游离脂肪酸含量。

表1 碰撞事故中驾驶员制动加速度

根据上述分析，本文基于车联网的行人主动避撞控制策略如图6所示。

图6 基于车联网的行人主动避撞策略

4.2 制动压力和PID控制模型

当行人主动避撞系统判断车辆处于危险状态时，控制系统会输出期望制动加速度，为了保证车辆实际加速度可以对期望加速度进行稳定且准确地跟随，需要通过车辆动力学模型和PID的同时控制将期望加速度转化成主缸的制动压力，以对车辆实际加速度进行精确控制。在平坦的路面上，主车制动时的车辆动力学方程为：

式中，为主车加速度；F为地面制动力；C为空气阻力系数；为迎风面积；为空气密度；为主车的行驶速度；为主车的整车质量；为滚动阻力系数。

当地面制动力小于路面附着力时，地面制动力F与主缸制动压力的关系为:

式中，、分别为前、后轮的制动力矩；为车轮的滚动半径；为制动力与制动压力的比值。

则可根据所需的控制制动加速度求出所需的期望制动压力：

PID 的下层控制器以上层控制器输出的期望加速度和主车实际加速度的误差()作为输入，输出控制加速度，而后通过式（22）对当前所需的制动压力进行计算，并输出至车辆动力学模型，根据PID 的控制规律，可以得到控制加速度为：

式中，K为比例系数；T为积分时间常数；T为微分时间常数。

5 仿真验证

为验证基于车联网的行人主动避撞控制策略的有效性，在PreScan 仿真软件中建立虚拟交通场景，在CarSim 软件中建立车辆动力学模型，在MATLAB/Simuink 中建立控制策略模型并搭建联合仿真平台。仿真中的车辆动力学模型为CarSim 中一款D 级厢式轿车。

在PreScan仿真平台上搭建行人从静止遮挡车辆前方穿出并与主车碰撞的危险场景，车辆近端碰撞行人（Car-to-Pedestrian Nearside Pedestrian，CPNP）场景具体定义如下：行人从遮挡车辆近端走向主车行驶方向的前方，但由于遮挡车辆的存在，主车驾驶员无法观察到行人，行人的速度方向与主车行驶方向垂直，要求在主车不制动的情况下，行人与主车发生碰撞，选取50%的车辆宽度位置处作为碰撞点。利用该场景对本文提出的基于车联网的行人主动避撞策略和基于雷达探测的行人主动避撞策略进行对比验证。

在城市交通中，车辆一般以较低车速行驶，因此建立CPNP_1 场景：主车以20 km/h 的速度行驶、行人以5 km/h 的速度行走，主车与行人的初始纵向距离为40 m、主车中心与行人的初始横向距离为7 m、主车中心到遮挡车辆的横向距离为1.5 m，行人与主车中心线的初始距离为10 m，行人行走的路径与主车行驶的路径垂直。基于车联网的行人主动避撞策略和基于雷达探测的行人主动避撞策略仿真结果如图7 和图8所示。

图7 基于车联网的行人主动避撞策略

图8 基于雷达探测的行人主动避撞策略

由图7a、图7b 可知，在第2.8 s 时，行人处于主车的盲区，雷达无法探测到行人位置，行人由静止状态变为以5 km/h速度行走的运动状态，因此和由无穷大开始逐渐减小，此时满足≤≤，主车到达预计碰撞点时，行人位于碰撞危险区域内，则横向危险状态判断模型将输出横向危险状态信号值1。在第6 s时，主车速度为20 km/h，=1.2 s，满足≤，纵向危险状态判断模型输出纵向危险状态信号值1，此时横、纵向危险状态信号值全部为1，满足行人主动避撞系统的激活条件，该系统开始对主车进行主动制动，由图7c 可知，主车加速度达到-4.1 m/s，在第7.4 s 时，主车速度减小到0，车辆停止；由图7d可知，主车与前方行人的纵向距离达到最小值2.4 m，基于车联网的行人主动避撞系统能够有效避撞。

对于基于雷达探测的行人主动避撞策略，开始时，主车与行人的横向距离为7 m，由于遮挡车辆的遮挡，主车雷达无法探测到行人。在第5.8 s 时，主车与行人的横向距离达到1.5 m，此时行人出现在雷达的探测范围内，满足触发条件，系统判断主车为横向危险状态，且判断时刻晚于基于车联网的行人主动避撞策略时刻，但由于该测试工况中车速较低，不影响整个主动避撞过程。在第6 s时，系统对车辆进行主动制动控制，其制动过程与基于车联网的行人主动避撞策略一致，成功避撞。

在城市间道路交通中，车辆以较高车速行驶，因此建立CPNP_2场景：主车以60 km/h的速度行驶、行人以5 km/h 的速度行走，主车与行人的初始纵向距离为100 m、主车中心到遮挡车辆的横向距离为1.5 m、行人与主车中心线的初始距离为10 m，行人行走的路径与主车行驶的路径垂直。基于车联网的行人主动避撞策略和基于雷达探测的行人主动避撞策略仿真结果如图9和图10所示。

图9 基于车联网的行人主动避撞策略

图10 基于雷达探测的行人主动避撞策略

由图9a、图9b 可知，在第1.6 s 时，行人开始以5 km/h 的速度行走，此时和由无穷大开始逐渐减小，满足≤≤，主车到达预计碰撞点时，行人处于主车的碰撞危险区域内，判断主车此时处于横向危险状态，输出横向危险信号值1。在第4.1 s 时，主车速度为60 km/h，根据主车当前行驶状态得到的=1.9 s，满足≤，主车状态为纵向危险状态，输出纵向危险状态信号值1。此时横、纵向危险状态信号值全部为1，满足行人主动避撞系统激活条件，该系统介入对车辆进行主动制动，由图9c 可知，主车进入制动加速度为-4.1 m/s的一级制动状态，在第5.9 s 时，=0.9 s，满足≤0.75，主车进入制动加速度为-7.1 m/s的二级制动状态。在第7.2 s时，主车速度减小到0，车辆停止，此时主车与前方行人的纵向距离达到最小值1.6 m，基于车联网的行人主动避撞系统能够有效避免与行人发生碰撞。

对于基于雷达探测的行人主动避撞策略，由图10a、图10b可知，在第4.1 s，=1.9 s，满足≤，主车处于纵向危险状态，但此时主车与行人的横向距离未达到触发条件，因此主动避撞系统不介入，在第4.9 s时，主车与行人间的横向距离为1.5 m，行人出现在雷达探测范围内，输出横向危险状态信号值1。此时横、纵向危险状态信号值全部为1，行人主动避撞系统激活，此时为1.1 s，满足≤0.75，主车直接进入制动加速度为-7.1 m/s的二级制动状态，第6.5 s 时主车与行人发生碰撞，仿真停止，碰撞时的车速为22.5 km/h，降低了62.5%的碰撞速度，同时制动瞬间制动加速度直接达到-7.1 m/s的较高减速状态，导致驾乘舒适性极大降低。在高速工况下，由于使用雷达探测的行人主动避撞策略对横向危险状态的判断时间晚于基于车联网的行人主动避撞策略时间，因此基于车联网的行人主动避撞策略的避撞性能更优。

6 结束语

本文针对行人从静止车辆前穿出的“鬼探头”高风险场景，考虑毫米波雷达等传感器和V2P 通信技术局限性，在忽略GPS、雷达传感器误差、V2V 通信延迟和数据丢包率影响的前提下，提出了一种基于车联网的行人主动避撞系统控制策略。仿真结果表明，所提出的行人主动避撞系统在低速和高速场景下均能够有效避免碰撞发生。在高速测试工况下基于车联网的行人主动避撞相比于仅使用雷达探测的行人主动避撞策略，其可提前对车辆横向危险状态进行判断，从而实现更好的避撞效果，且在最危险的情况下（主车车速60 km/h），车辆在制动停止后与行人仍有1.6 m的相对距离。