陈卓威 胡 慧

（湖南工程学院 工程训练中心，湘潭 411104）

随着汽车的普及，各类交通事故层出不穷。我国每年重特大事故中，交通事故数和因交通事故死亡人数分别占到69.0% 和78.9%[1]。为了降低交通事故造成的危害，自动紧急制动系统（Autonomous Emergency Braking，AEB）作为汽车主动安全配置得到了广泛应用。AEB 能够通过车辆上的传感器识别并跟踪行人轨迹，若有碰撞危险，系统发出预警信号并自动制动使汽车停止，从而避免碰撞事故的发生[2-4]。虽然AEB 对交通事故有一定的预防作用，但是还存在比较多的问题，如汽车在路口转向时遇到障碍物（行人、非机动车），AEB 难以判断驾驶员意图导致误制动或未强行制动。针对上述问题，通过模糊控制算法来优化设计现有AEB，基于CarSim 与Simulink 联合仿真开展不同工况下的仿真实验，并验证所设计的AEB 控制算法的可靠性与可行性，以改善路口转向时汽车AEB 导致的误制动或未强行制动的问题。

1 AEB 控制算法设计

常见仿真控制系统一般包括距离模型、执行判断及信号处理3 个部分。而AEB 中控制算法的主要功能是实现传感器信号的输入和信号接收，确保车辆运行稳定，且能够保证驾驶员在驾驶过程中处于安全道路环境。

1.1 基于TTC 预警模块

TTC 表示两辆汽车撞击所耗费的时间，也可以叫做即碰时间避撞算法。危险制动距离的定义是制动距离运用TTC 的逻辑计算法，得出一旦延迟时间超过全部的tTTC（制动系统的延迟时间和所述驱动器的反应时间），驱动器无法响应碰撞警告，此时系统必须采取自动制动。

制动系统的延迟时间和所述驱动器的反应时间tTTC为：

式中：D为两车之间的相对距离，m；vrel为两车之间相对速度大小，km·h-1。

计算得到危险制动距离dbr为：

式中：d0为安全停车距离，m。

tTTC一般设定为0.8 ～1.4 s，车辆因制动产生的车辆减速度平均为0.52g。在TTC 算法中，将预警危险tTTC调节至2.6 s，部分制动tTTC调节至1.6 s，全力制动tTTC调节至0.8 s。当系统计算实际tTTC达到2.6 s、1.6 s、0.6 s 时，分别竖起警告标旗（2.6s flag）、部分制动标旗（1.5s flag）、全力制动标旗（0.8s flag）。

使用外部声明函数“sprintf”绘制图框代码，具体代码如下：

将采集的图像进行转换，并将车速数值从km·h-1转换成m·s-1，便于后续计算，具体代码如下：

基于TTC 模型可以得到碰撞时间time_to_collide，具体代码如下：

为了防止车辆在静止状态下也会启动制动，设置一个触发条件，即车速大于1 m·s-1时，预警模块触发，并给出预计碰撞时间，具体代码如下：

然后，输出处理完成后的数据，转换代码如下：

function[y,time_to_collide]=TTCwarning(u,long_dist,vx,detect)

其中：long_dist 为纵向距离；detect_flag 为检测标志距离；lat_dist 为横向距离。

由此可以得到TTC 预警模块“TTCwarning”，如图1 所示。

当摄像头采集到行人数据且预计碰撞时间在1.5 s内时，会启动TTC 预警模块，并在摄像头上标示出大致的碰撞时间。图像预警如图2 所示。

1.2 AEB 控制算法执行逻辑分析

执行逻辑算法通过驱动系统的输入信号与AEB的安全距离模型联合计算得到。驾驶员操作包括制动、加速和转向。AEB 的安全距离模型输出包括开始预警标志（warning）、进行部分制动标志（part brake）和进行全力制动标志（full brake）。

在AEB 运行过程中，如果实际距离低于安全距离，则AEB 会出现自动制动情况，使得车辆速度减慢。在此种情况下，安全距离模型将会变得更大。在制动持续一段时间后，两车的相对距离会超过设计的安全距离，此时AEB 判断使汽车停止制动。当制动停止后，车辆会因为惯性继续滑行一段距离，但因为制动车速的变化较小，通过计算后得到两车相对距离远低于原先设计的安全距离，此时AEB 继续制动。所以，AEB 制动压强呈波浪形变动，起伏较大，导致车辆振动严重。

1.3 AEB 模糊控制设计

本文将车辆横向安全距离设置为2 倍轮距，若行人进入到TTC 距离与横向安全距离内，则开始对车辆制动，有：

式中：dlat为车辆横向安全距离，m；B为轮距，m。

正常道路驾驶过程中，在路口拐弯时需要输入转向角，而驾驶员在遇到行人时中，为了避障，有时也会采用换道的方式。在此情形下，AEB 很难预判转角是为了转向还是为了避障，往往容易产生误制动，造成一些不必要的麻烦。因此，下面将针对这类情况进行改进。

1.3.1 模糊控制结构

一个系统的模糊控制流程需要输入、推理、规则库和输出4 大部分。

选择Mamdani 模糊控制器，其模糊控制规则通过分析驾驶员的驾驶行为及总结一些驾驶操作来获得。Mamdani 模糊控制器的输入输出语言均通过模糊集合表示，模糊规则的形式如下[5]。

通过模糊语句if A and B then C确定模糊关系R，即：

式中：(A1×B1)T2为(A1×B1)(m×n)矩阵构成的向量；T2 为行列向量转换。对于模糊推理，使用马丹尼最大最小规则。它的基本逻辑：在and 运算时取小min；在or 运算时取大max。

Mamdani FIS 模型使用if-then 语句表达意见建立推理规则，对选取的影响因子进行模糊推理得到预测数据[6]。

1.3.2 模糊化

本文控制器的设计目标是根据反馈的驾驶员驾驶意图调整主缸压强的输出，以适应路口转向时遭遇行人的安全需求。当具体参数输入到模糊控制器时，将其模糊化为给定论域上的模糊集合[7]。

本文变量的模糊集合如下。

（1）方向盘转角。它是指驾驶员直接输入的方向盘转角值。方向盘转角定义论域为[-800，+800]，单位为°。模糊子集分为{TR（右转），TL（左转）}2 个。

（2）预计碰撞时间tTTC。定义TTC 论域为[0，1.5]，单位为s。模糊子集分为{NB（极度危险），NS（小危险），M（危险），PS（慢速反应），PB（快速反应）}5 个。

（3）纵向距离。定义纵向距离论域为[0，15]，单位为m。模糊子集分为{NB（极度靠近），NS（小靠近），M（靠近），PS（小安全），PB（安全）}5 个。

（4）横向距离。定义横向距离论域为[0，5]，单位为m。模糊子集分为{LB（更偏左），LS（偏左），C（不变），RS（偏右），RB（更偏右）}5 个。

（5）主缸压强。基于TTC 理论，定义主缸压强论域为[-20，20]（为了便于后续模糊规则，输出时会将负值绝对值化），单位为MPa。模糊子集分为{NB（大制动），NS（部分制动），M（不制动），PS（部分制动），PB（大制动）}5 个。

1.3.3 模糊规则

对于AEB 的基本控制，基于TTC 理论仅需考虑预碰时间和横向距离。当车辆开始进入转向时，检测到有转角输入，车辆进入转向状态，控制策略转变为对行人位置与转向之间关系进行判别。此时，输入的变量为横向距离和预碰时间。模糊控制规则的具体控制状态可用模糊控制曲面图来表达。模糊系统控制曲面图如图3 所示。

通过大量仿真实验可知，由于在路口转向情况下，行人进入摄像头视角时，tTTC往往小于1.5 s。所以，在此选用最大隶属度取最大的方法来进行去模糊化。虽然此种方法忽略了较小隶属度元素的影响与作用，但是在紧急工况下往往能有比较可靠的效果。

2 仿真实验结果与分析

通过CarSim 2018 与Simulink 的联合仿真实验，探究车辆在路口转向遇到行人不同状态时，所设计的AEB 介入制动情况的变化。利用CarSim 软件建立整车模型，加入Simulink 模块，得到联合仿真模型。

首先，需要明确仿真内容是基于路口转向时前车遭遇行人，此时AEB 基于驾驶员方向盘转角做出是否制动的操作。仿真实验工况设置为2 种行车路线（右转、左转）、2 种行人进入方式（左方、右方）、3 种避障方式（未避障、左向避障、右向避障）共计12 种工况。将车速设置为25 m·s-1，行人速度恒定为2 m·s-1，观察主缸压强输出与横向距离、tTTC的变化规律。以下选取具有代表性的右转行人从右方（左方）进入-左向避障和右转行人从左方进入-左向避障两种工况的仿真结果进行展示。

2.1 右转行人从右方进入-左向避障

右转左向避障时数据变化图，如图4 所示。当车辆进入路口开始转向时，4 s 左右遭遇行人，驾驶员开始左向避障，此时方向盘转角输出变为正。通过模糊控制原则可知，该避障方式为有害避障，且横向距离小于3 m、tTTC小于0.3 s，属于非常危险状态。所以，主缸压强持续输出，将车辆减速，直到6.5 s 时刻，tTTC大于1 s，AEB 主缸压强才取消制动控制。

2.2 右转行人从左方进入-左向避障

右转左向避障数据变化图，如图5 所示。当时间进入到4.9 s 时，tTTC小于0.8 s 且横向距离小于5 m，此时检测到方向盘转角由负转为正，说明驾驶员在使用左向避障方式，根据模糊控制规则，主缸压强持续输出20 MPa，直到tTTC大于0.8 s 才取消压强输出，说明此时行人已经位于安全区域。

2.3 仿真结果分析

对比观察图4 和图5 可以发现，在这两种工况下，设计的AEB 能够成功介入，从而有效避免事故的发生。对比所有仿真实验工况后发现，当行人从右侧进入车辆危险区域时，在制动效果要优于行人从左侧进入危险区域的情况下，AEB 介入时间更长。分析发现，这是因为方案采用的单目测距算法存在一定的算法偏差。对12 种工况进行仿真实验，结果表明，在其中10 种工况下，设计的AEB 能够成功介入避免事故发生，生效率为83.3%，可以认为该基于路口转向的模糊控制AEB 能有效减少在路口遭遇行人时因算法问题导致的一些误制动情况，有效提高了车辆的主动安全性能，提升了驾驶员的驾驶体验。

3 半实物仿真实验验证

为了进一步论证仿真的可行性，搭建一个半实物仿真实验平台进行验证。先采用工业摄像头识别行人，检测周围空间状态，并获取目标与本车之间的相对位置。为了得到驾驶过程中所需的转角，使用方向盘转角传感器采集数据。对于车辆的行驶速度，使用全球定位系统（Global Positioning System，GPS）导航采集车辆行驶速度，将其信号输入至Simulink 软件。相关数据经过一定处理后，可为后面的行动提供依据。在车辆实际行驶过程中，行人的出现位置与行走路线是不固定的。为了验证设计的控制方法的有效性，设置了两种行人移动工况进行验证。每种工况进行多次实验，然后将结果与仿真数据进行对比。

3.1 实验工况1：行人从左远点向右近点移动

将行人路线设置为车辆左前方9 m 位置移动到车辆右方2 m 位置，反复一次，得到如图6 所示的实验数据。

通过图6 可以看到，设计的测距算法在实际实验中的结果与仿真结果大体一致。但是，通过分析可以发现，测距结果还是存在一定的偏差，但总体可以达到行人位置预测的目的。

3.2 实验工况2：行人从右远点向左近点移动

将行人路线设置为车辆右前方6 m 位置移动到车辆左方2 m 位置，反复一次，得到如图7 所示的实验数据。

可以看出，该算法可以保证一定的测距精度，但总是会在第二次行人进入时造成一定的数据丢失。经分析可知，这是由于其他目标干扰导致的，但可以很快实现目标矫正。总体而言，该控制算法能有效预判移动目标，具有良好的控制效果，对一些因素造成的干扰也能体现出较好的鲁棒性。

4 结语

本文设计了一种AEB 模糊控制算法，通过CarSim与Simulink 的联合仿真，探究了在不同车辆轨迹、不同行人路线的情况下，横向距离、TTC 时间以及主缸压强的变化情况，并通过半实物仿真平台验证了其可行性。实验结果表明，发现该算法可以有效降低路口转向时因AEB 算法缺陷导致的误制动问题。本文设置了12 种仿真工况，生效工况10 种，生效率达到83.3%，能极大降低路口转向因误制动给驾驶员带来的麻烦。本文的研究结果可以为路口转向时遭遇行人主动安全驾驶系统是否应该介入制动提供理论支持。