汽车前方静动目标状态转移机理与分类算法*

高振海,王 竣,王德平,李红建

(1.吉林大学，汽车仿真与控制国家重点实验室，长春 130025； 2.中国第一汽车集团公司新能源汽车分公司，长春 130122；3.中国第一汽车集团公司技术中心，长春 130011)

2016103

汽车前方静动目标状态转移机理与分类算法*

高振海1,王 竣1,王德平2,李红建3

(1.吉林大学，汽车仿真与控制国家重点实验室，长春 130025； 2.中国第一汽车集团公司新能源汽车分公司，长春 130122；3.中国第一汽车集团公司技术中心，长春 130011)

为解决利用雷达回波实现静止目标和运动目标的准确识别这一驾驶辅助系统的关键技术问题，本文中基于地面目标运动状态转移机理提出了一种基于时间窗的汽车前方静动目标状态分类方法。在地面静动目标运动状态与转移机理分析的基础上，将目标分为静止目标、同向运动目标、反向运动目标、起停目标和未分类目标等5类，建立了在固定时间窗内的目标运动状态的转移状态机模型，并确定了目标状态转移的条件阈值和时间窗长度，最终在驾驶辅助试验车上进行了前方同向或反向行驶车辆、树木等静止物体和制动停车车辆等各种典型工况下的识别试验，为实现基于毫米波雷达的自适应巡航与自动紧急制动的驾驶辅助系统的工程化提供了技术支撑。

驾驶辅助系统；状态机模型；车载毫米波雷达；静动目标分类；时间窗

前言

近年来，以雷达传感技术为基础的前方防碰撞预警(forward collision warning system, FCW)、自适应巡航控制系统(adaptive cruise control system, ACC)和自动紧急制动系统(autonomous emergency braking system, AEBS)等先进汽车驾驶辅助系统成为了国际汽车主动安全领域研究热点[1-4]。鉴于对传感器环境适应性、可靠性和成本的考虑[5]，博世[6]、大陆[7]、德尔福[8]、电装[9]等各大国际汽车电子产品供应商多采用具有较强环境适应性的毫米波雷达，用于识别本车前方道路环境中可能对本车行驶带来潜在碰撞威胁的车辆等障碍目标(将其定义为前方有效目标)，并根据该目标与本车之间的相对运动状态，对本车施加预警或辅助控制。

车载毫米波雷达难以直接区分地面“运动地物(即地面静止物体)”和“运动目标”。车载毫米波雷达是通过雷达回波信号和多普勒效应检测本车与前方目标的相对距离、方位角和相对速度等信息[10-11]，其信息处理算法主要借鉴面向飞机、导弹等飞行物检测的军用雷达对机动目标的识别跟踪方法。军用地基雷达以固定的大地为雷达平台，地物相对于雷达是静止不动的，从地物反射的回波没有多普勒频率偏移，只在信号中心频率附近有微小的展宽；军用机载雷达由于飞机平台的高机动性，可以认为地物相对于目标是处于静止状态；而地面车辆在行进过程中，与其固联的车载雷达平台与大地有相对运动，原来不动的地物和固定目标的回波都会产生多普勒频移，即使不考虑载体运动姿态变化，地物杂波也非常复杂。上述车载雷达信息与军用地基雷达信息的不同，导致车载毫米波雷达处理算法难以准确识别静止目标与运动目标。现行的国际标准《ISO/DIS 15622道路车辆-自适应巡航控制系统-性能要求及测试方法》明确指出：ACC可能会忽略静止目标或不对静止目标做出反应[12]。

针对以上问题，尤其是全速ACC和AEBS研发要求必须对前方低速运动和静止的车辆或行人进行准确识别，国际上开展了静动目标分类算法研究。现有研究主要是利用目标物体与本车之间的相对速度变化规律，通过阈值分割的方法进行目标运动状态识别。德尔福、博世和沃尔沃等公司均开发了静动目标分类识别算法，并将其作为提升毫米波雷达检测精度的核心竞争保密技术。例如文献[13]中将雷达目标分为4类(高空目标、静止目标、运动目标和路侧目标)，但文中没有详细论述目标分类判别方法。

相对于国际研究现状而言，国内研究(尤其是性能样车研发)多是直接基于采购的国外雷达输出的有效目标结果进行驾驶辅助功能开发，并未深入开展车载毫米波雷达的数据处理算法，也无法为国内车载毫米波雷达产品研发提供技术支撑。同时，本文作者在基于国际采购的车载毫米波雷达进行ACC等实车功能测试实验中发现：鉴于本车行驶速度波动和雷达自身存在一定的测量误差等实际情况，若直接沿用当前时刻下目标与雷达之间的相对运动关系和简单阈值分割实现静动目标识别算法，将导致算法在部分工况下无法输出准确前方有效目标。

为此，本文中针对驾驶辅助系统对静动目标识别的技术需求，在地面静动目标的运动状态和转移机理分析基础上，提出了一种基于时间窗内运动状态转移机制的动静目标分类方法。文中首先对雷达目标的运动状态进行了分类；然后基于目标的多运动状态，建立了目标运动状态转移状态机模型，并设计了目标状态转移的条件阈值和时间窗长度；最终在装备毫米波雷达的驾驶辅助试验平台车上，进行了前方同向或反向行驶车辆、树木等静止物体及制动停车车辆等典型工况的实车道路实验验证。

1 面向驾驶辅助系统的前方目标运动状态分类

雷达探测目标存在不同状态：根据运动目标的运动方向，可分为同向运动目标和反向运动目标；针对前方车辆起步-停车等工况，将原先运动后来停止的目标定义为起停目标(一种特殊形式的运动目标)；考虑到雷达回波信号中存在干扰噪声，当部分目标无法进行有效分类时将其定义为未分类目标。同时为了保证分类算法的鲁棒性，将所有雷达目标的初始状态也都定义为未分类目标。

综上所述，本文中将车载雷达探测到的目标分为静止、同向运动目标、反向运动目标、起停目标和未分类目标5类，如图1所示。

(1) 静止目标(Stationary)

静止目标是指运动速度始终保持为零的物体，主要包括路侧障碍物、树木、标志牌和在雷达测试全过程内始终停止的车辆等物体。该信息的准确获取是FCW和AEBS实现的关键。

(2) 同向运动目标(Moving)

同向运动目标是指与本车运动方向相同的物体。一般而言，同向运动的目标与本车位于同一车道或同向相邻车道，其运动与本车具有较大的相关性，因此可辅助进行本车行驶轨迹和车道曲率变化等信息估计。

(3) 反向运动目标(Oncoming)

反向运动目标是指与本车运动方向相反的物体。通常情况下，反向运动的物体位于本车相邻车道的可能性较大，可用来区分相邻车道类型。

(4) 起停目标(Stop)

起停目标是指运动中的物体速度减慢已接近静止或已静止的物体有运动的趋势但速度极小。起停目标一般是由前方运动车辆减速停车或起步形成。起停目标信息的准确获取是AEBS和全速ACC(具备起步停车功能)实现的前提。

(5) 未分类目标(Unclassified)

雷达目标的初始状态均为未分类目标。之后根据其运动状态不同将目标分为静止、同向运动、反向运动和起停4种类型。若目标不能满足上述4种状态转移条件，则仍属于未分类目标。

2 目标运动状态转移机理分析

当前方目标进入到车载雷达检测范围后，雷达将连续输出该目标的相对位置及相对速度信息，以描述该目标的运动状态。

考虑到状态转移机制设计的精确性、实时性和单一时刻的量测信息易受噪声干扰等因素，本文中提出了一种基于时间窗的目标状态分类方法，依据车载雷达在该时间历程中输出的目标连续运动状态进行判断，而不单纯依靠单一时刻运动状态实现目标分类。

考虑到地面车辆等物体受路面附着等运动学和动力学约束，物体运动状态的转移有明显的规律性。一个目标在某一固定时刻只能属于上述运动类型之一，且随着物体运动状态变化有规律性地转移，变更为另一目标类型。图2所示为目标状态转移示意图，目标状态之间的箭头表示状态转移的路径和方向。雷达目标状态转移规律分析如下。

(1) 目标初始状态均为“未分类目标”。

(2) 静止目标：静止目标开始运动后将会转移为同向运动目标或反向运动目标；如果没有发生状态转移，则继续保持为静止目标状态。

(3) 同向运动目标：当同向运动目标的速度接近零时将会转移为起停目标，而不是直接转移为静止目标；如果没有发生状态转移，则继续保持为同向运动目标。

(4) 反向运动目标：反向运动目标其状态转移条件类似于同向运动目标，在速度接近零时将会转移为起停目标，而不是直接转移为静止目标；如果没有发生状态转移，则继续保持为反向运动目标。

(5) 起停目标：起停目标开始运动后将根据其运动方向转移至同向运动目标或反向运动目标；否则继续保持为起停目标。

需要指出的是，在提出的状态转移中，同向运动目标物体转移为反向运动时，中间必历经起停状态。由于地面运动物体具有惯性，速度不会产生突变，因此当运动的物体改变运动方向过程中必然存在速度降低为零的阶段，即经历起停状态。

同理，依据以上基于状态转移的目标运动状态分类方法，物体运动速度降至零而停止时，该物体首先归类为起停目标，而不是归类为静止目标，这样可将始终静止的物体与先前运动随后停止的物体区分开，也使得该分类方法对目标的运动状态具有一定的记忆效应。

3 前方目标运动状态转移的阈值判断 条件设计

针对以上运动状态转移机理分析，本文中建立了目标运动状态转移的阈值判断条件，并根据雷达道路试验数据离线分析的结果对时间窗长度与状态判别阈值进行了设计。

(1) 从静止或初始状态转移至同向运动状态(Unclassified/Stationary→Moving)

物体运动速度vobj在时间窗内连续超过同向运动速度最低限制阈值Vsta-m_min，即

vobj(k-i)>Vsta-m_min，i=0,1,…,n-1

(1)

式中：k-i为采样时刻，n为时间窗长度，即vobj(k)表示当前时刻目标物体的速度值，vobj(k-i)表示当前时刻前第i个速度值(下同)。

阈值Vsta-m_min的取值主要基于雷达探测的主要地面运动物体的最低运动速度，目前车载雷达主要用于探测前方车辆。车辆怠速时的速度约为5～10km/h(大约为1～3m/s)，因此本文中给出其参考取值范围为[1m/s,3m/s]。

(2) 从静止或初始状态转移至反向运动状态(Unclassified/Stationary→Oncoming)

物体运动速度vobj在时间窗内连续超过反向运动速度最低限制阈值Vsta-o_min，即

vobj(k-i)

(2)

阈值Vsta-o_min的取值主要考虑反向运动物体的最低运动速度，因此该取值范围与同向运动物体的取值范围相同，但方向相反，因此本文中给出其参考取值范围为[-3m/s,-1m/s]。

(3) 从初始状态或未分类状态转移至静止状态(Unclassified/Stationary→Stationary)

物体运动速度vobj在时间窗内连续接近零或低于一个速度阈值Vu-sta_max，即

|vobj(k-i)|

(3)

阈值Vu-sta_max的取值主要基于静止物体的速度分布范围，理论上静止物体的速度为零，但由于实际应用中测量值不可避免含有误差。因此该阈值的最小值应该大于测量误差，本文中对前方物体的速度测量误差约为0.3m/s，因此其取值范围的最小值为0.3；此外该阈值过大时将会导致部分低速运动的物体识别为静止物体，参考式(1)中的分析运动物体的最低运动速度约为1m/s，因此将其最大值设为1，因此本文中给出其参考取值范围为[0.3m/s,1m/s]。

(4) 从同向运动状态或反向运动状态转移至起停状态(Moving/Oncoming→Stop)

在时间窗内，物体运动速度vobj接近零或小于阈值Vm-sto_max，即

|vobj(k-i)|

(4)

阈值Vm-sto_max的取值主要基于停止物体的速度分布范围，停止物体的速度与式(3)中静止物体的速度分布范围类似，因此本文中给出其参考取值范围为[0.3m/s,1m/s]。

(5) 从起停状态转移至同向运动状态(Stop→Moving)

在时间窗内，物体运动速度vobj超过速度阈值Vsto-m_min，即

vobj(k-i)>Vsto-m_min，i=0,1,…,n-1

(5)

阈值Vsto-m_min的取值与式(1)中Vsta-m_min的取值范围类似，主要考虑运动物体的最小速度，此外，由于起停状态物体之前是运动状态，可以通过降低该阈值实现其转移至同向运动状态的快速识别，因此本文中给出其参考取值范围为[0.3m/s,1m/s]。

(6) 从起停状态转移至反向运动状态(Stop→Oncoming)

在时间窗内，物体运动速度vobj接近零或小于阈值Vsto-o_min，即

vobj(k-i)

(6)

阈值Vsto-o_min的取值与式(5)中取值范围类似，但方向相反，因此本文中给出其参考取值范围为[0.3m/s,-0.3m/s]。

上述状态转移切换条件都是基于时间窗的长度进行判断。时间窗长度设计需要同时兼顾抗干扰能力和快速识别能力。较短的时间窗使抗干扰能力较差，将造成速度波动时物体运动状态的振荡；时间窗过长有较强的抗干扰能力，可避免状态振荡的现象，但会引起运动状态识别时间上的滞后。

本文中根据道路试验数据离线分析的结果对时间窗的长度进行了设计，研究中分别选取时间窗长度为1，3和5(即n=1,3,5)进行了对比分析。对比试验结果显示，时间窗的长度取3时(即考虑当前时刻及前两时刻的雷达输出数据)能很好兼顾抗干扰性能和快速识别性能，故本文中将此值作为时间窗长度，即在式(1)～式(6)中n值取3。

确定合适的阈值是实现雷达目标运动状态转移和切换条件设计的关键。

理论上交通环境中静止物体(如静止的车辆、路侧标志牌、树木等)的速度为零，速度不为零的物体定义为运动物体。而在实际应用中，车辆前方物体的速度通过雷达进行测量。雷达测量出前方物体相对本车的运动速度，并通过本车速度补偿求得前方物体速度。由于雷达和车辆轮速传感器测量精度的限制和测量误差的存在，前方静止物体也可能返回一个非零值。为此在实车试验中无法通过速度是否为零来判断物体的静止与运动，而需要根据实际工况设定判断阈值。

本文中以同向运动状态最低速度阈值Vsta-m_min和静止状态最高速度阈值Vu-sta_max为例，上述两个阈值用于区分物体为同向运动状态或静止状态，主要考虑了实车道路试验数据(静止物体和运动物体的速度分布范围)，并根据雷达测速精度与车辆速度波动范围给出阈值确定范围。

如图3所示，静止物体速度分布在[-1m/s,1m/s]的范围内且呈单峰形状，同向运动物体速度分布在大于1m/s的范围内，大致呈均匀分布。上述物体速度分布与实际情况相符合，静止物体的速度受雷达测试精度和车速误差的影响，其速度不完全等于零但分布在零附近，并且呈尖峰分布，雷达测速精度和车速的误差范围影响该速度分布的宽度。同时，考虑到本文中采用的德尔福ESR雷达的测量精度为0.12m/s，车速波动范围为0.17m/s(如图4所示)，同时考虑上述两方面的误差时其误差的范围在0.3m/s。根据离线测试数据，静止物体速度分布均值为-0.3m/s，5%百分位的速度值为-0.9m/s，95%百分位的速度值为0.3m/s，最终设计的静止状态的最高速度阈值Vu-sta_max为0.9m/s，运动物体的判断阈值Vsta-m_min设定为1.2m/s。

4 实车道路试验与结果分析

面向驾驶辅助系统工作的各种典型工况，本文中设计并实施了在真实道路交通环境下的实车试验，进一步验证了文中提出的汽车前方目标运动状态分类算法。

试验车为吉林大学汽车仿真与控制国家重点实验室自行集成开发的驾驶辅助试验平台车。选配的毫米波雷达为ESR雷达，毫米波雷达和道路交通环境监测摄像机的安装位置如图5所示，主要性能参数如表1所示。ESR毫米波雷达的扫描模式分为长距离模式和中距离模式，两种扫描模式具有不同的探测距离和扫描角度，本文中在数据处理过程中首先按照不同的扫描模式先对雷达输出数据进行处理，然后再进行统一处理，试验结果如图6～图9所示。

表1 毫米波雷达主要性能参数

图6示出本文中雷达目标运动状态分类过程和基于该分类方法的分类结果。

图6(a)中的小方框表示雷达探测到的目标。雷达输出的回波信号中不可避免地存在杂波和干扰信号，经过多目标跟踪之后将杂波及干扰目标滤除，最终用于分类的雷达目标如图6(b)所示。最终的分类结果如图6(c)所示，图示场景中有一个同向运动(Moving)的目标和一个反向运动(Oncoming)的目标，如图6(d)所示，其余的为静止(Stationary)目标，如图6(e)所示，或未分类目标(Unclassified)，如图6(f)所示。

图7为图6的试验场景，并用方框的形式标识出了已分类的物体，图7中的方框与图6(c)中已分类的目标一一对应，并对已分类目标进行了编号，如图6(d)、图6(e)和图7所示。图7中1号框表示同向运动的目标(一辆同向行驶的车)，2号框表示反向运动的目标(一辆反向行驶的车)，其余框表示静止目标，一般包括树木、电线杆、垃圾桶等，未分类目标没有在图中标识出来。

本文中根据自适应巡航控制的典型工况，设计并实施了典型的静动目标识别试验。试验中前方车辆的行驶过程包括以下阶段：停车、起步加速、制动停车、倒车和减速停车。

图8为上述工况中前车速度变化的时间历程，及其运动状态随之进行变化转移的过程。如图8中虚线所示：目标初始的运动状态为未分类状态(Unclassified)；由于起始时目标的速度比较低，因此其状态转移至静止状态(Stationary)；随该目标速度增加，其运动状态转移至同向运动状态(Moving)；之后目标开始减速，速度接近零时，目标状态变为起停状态(Stop)；随着反向速度的增加，目标的状态转移至反向运动状态(Oncoming)；最后车辆减速停车后目标状态变为起停状态(Stop)。

图8给出了目标运动状态转移判断条件中采用时间窗方法和不采用时间窗方法的对比分析，图中绘制了时间窗长度为1，3和5时的分类结果。由于速度信号中不可避免存在噪声干扰和波动，因此采用单一时刻判断状态转移与否的无时间窗的方式将会受到噪声信号及信号波动的影响，进而出现目标运动状态分类结果振荡甚至错误的现象。如图8中无时间窗(时间窗长度n=1)的分类方法(实线)在20s附近出现了目标运动状态分类结果振荡的现象，而采用时间窗的方法可有效抵抗噪声干扰信号的影响，如图中n=3(虚线)和n=5(点划线)的分类结果没有出现分类振荡的情况。由于时间窗长度越长，雷达目标运动状态识别的延迟越严重，即n=3(虚线)与n=5(点划线)的分类结果相比，n=3的识别过程更及时，延迟较小。通常情况下，驾驶辅助系统中雷达标识为静止状态的目标有可能是真实存在的，也有可能是噪声。例如针对图8目标车辆减速停车工况，传统的阈值分割方法会将该目标识别为静止物体(如图8中20.25-25.25s之间双点划线所示)。而本文中提出的分类方法则将该目标识别为运动目标中的起停目标(具有一定的记忆效应)，并在后续的雷达数据处理中也将此类起停目标直接标识为已经得到确认的真实存在目标，进一步降低了雷达数据处理中目标确认难度。

图9为前车在常规行驶工况过程中的行驶速度曲线和采用本文分类方法的运动状态识别结果。由图可见，前车起始时被识别为未分类目标(Unclassified)，随后识别为静止目标(Stationary)，随着前车起步加速后，前车被识别为同向运动目标(Moving)，前车减速停车时被识别为起停目标(Stop)，而非静止目标，待前车加速向前行驶后，前车被识别为同向运动目标(Moving)。试验结果表明了本文中运动状态分类方法的正确性，即前车运动状态分类识别结果与前车运动状态一致。

5 结论

本文中针对现有驾驶辅助系统车载毫米波雷达无法准确识别本车前方静止与运动目标的问题，建立了地面静动目标的运动状态与转移机理，并提出基于时间窗内运动状态转移机制的动静目标分类方法，主要结论如下。

(1) 面向驾驶辅助系统的研究需求和车载雷达检测到的目标运动状态特点，将目标运动状态分为静止、同向运动目标、反向运动目标、起停目标和未分类目标5类。

(2) 基于对雷达目标运动状态转移过程的分析，建立了用于目标分类的状态机模型，并依据实车道路试验数据(静止物体和运动物体的速度分布范围)、雷达测速精度和车辆速度波动范围设计了阈值及其主要参数取值范围的确定方法。该方法也体现出对目标物体的运动状态具有记忆效应。

(3) 采用时间窗方法，避免了传统依据单一时刻信号值进行状态分类时信号波动引起的分类错误问题。通过对时间窗长度的优化，发现时间窗长度为3时，具有抗干扰性能且滞后较小。

(4) 在装备毫米波雷达的驾驶辅助试验平台车上进行了各种典型工况的实车试验验证，结果表明该方法对前方的同向或反向行驶车辆、树木等静止物体和制动停车等起停状态的车辆均可实现目标的准确分类。

后续研究中将积累更多的实车道路试验数据，引入统计学习方法且针对具体的驾驶辅助功能优化设计其判断阈值，并利用静动目标识别结果实现对汽车前方道路曲率的预测及其与车道线视觉检测结果的数据融合。

[1] BISHOP R. Intelligent Vehicle Technology and Trends[M]. Boston: Artech House,2005.

[2] 张德兆,秦立峰,王建强,等.基于电子真空助力器的汽车驾驶辅助系统制动压力控制[J].汽车工程,2011,33(12):1067-1072.

[3] 吴利军,王跃建,李克强.面向汽车纵向安全辅助系统的路面附着系数估计方法[J].汽车工程,2009,31(3):239-243.

[4] 金立生,王荣本,Bart Van Arem,等.先进驾驶员辅助系统中的车辆探测研究综述[J].汽车工程,2007,29(2):132-136.

[5] SCHNEIDER M. Automotive Radar-status and Trends[C]. German Microwave Conference,2005:144-147.

[6] Robert Bosch GmbH. Chassis Systems Control LRR3: 3rd Generation Long-Range Radar Sensor[EB/OL].[2013-11-10]. http://www.bosch-automotivetechnology.com/media/db_application/downloads/pdf/safety_1/en_4/lrr3_datenblatt_de_2009.pdf.

[7] Continental A G. ARS 300 Long Range Radar Sensor 77 GHz[EB/OL].[2013-11-10]. http://www.conti-online.com/www/industrial_sensors_de_en/themes/ars_300_en.html.

[8] Delphi Automotive LLP. Delphi Electronically Scanning Radar[EB/OL].[2013-11-10]. http://delphi.com/manufacturers/auto/safety/active/electronically-scanning-radar/.

[9] DENSO CORPORATION. Pre-Crash Safety System: Millimeter-Wave Radar[EB/OL].[2013-11-10]. http://globaldensoproducts.com/driving-control-safety/pre-crash-safety-system/millimeter-wave-radar/.

[10] 印忠义,胡南山.毫米波汽车防撞雷达的进展[C].2007 年全国微波毫米波会议论文集(下册),2007.

[11] 王小谟,张光义.雷达与探测:信息化战争的火眼金睛[M].北京:国防工业出版社,2008.

[12] ISO/DIS 15622. Road Vehicles-Adaptive Cruise Control Systems-Performance Requirements and Test Procedures[S].1999.

[13] POLYCHRONOPOULOS A, AMDITIS A, FLOUDAS N, et al. Integrated Object and Road Border Tracking Using 77 GHz Automotive Radars[J]. IEE Proceedings-Radar, Sonar and Navigation,2004,151(6):375-381.

The State Transfer Mechanism and Classification Algorithm forStationary and Moving Objects in Front of Vehicle

Gao Zhenhai1, Wang Jun1, Wang Deping2& Li Hongjian3

1.JilinUniversity,StateKeyLaboratoryofAutomotiveSimulationandControl,Changchun130025; 2.ChinaFAWGroupCorporationNewEnergyVehicleBranch,Changchun130122; 3.ChinaFAWGroupCorporationR&DCenter,Changchun130011

To tackle the key technical issue of driving assistance system, i.e. the accurate detection of stationary and moving objects by radar echo, a time window-based vehicle frontal object state classification method is proposed in this paper based on the movement state transfer mechanism of ground objects. On the basis of analyses on ground object movement states and their transfer mechanism, Stationary and moving objects are classified into five categories: stationary object, moving object, oncoming object, stopped object and unclassified object. Then a transfer state machine model for the object movement states within a fixed time window is created, and the condition threshold and time window length for object state transfer are determined. Finally, the detection tests of moving, oncoming, braking and stopping vehicles and trees and other stationary objects under various working conditions are conducted on an experimental vehicle, providing technical supports for the engineering application of millimeter-wave radar-based adaptive cruise and automatic emergent braking in driving assistance system.

driving assistance system; state machine model; on-borne millimeter-wave radar; stationary and moving object classification; time window

*高等学校博士学科点专项科研基金(20120061110028)、吉林省科技引导计划(20130413058GH)和长江学者和创新团队发展计划(IRT1017)资助。

原稿收到日期为2014年4月24日，修改稿收到日期为2015年4月27日。