面向骑行者的AEB测试方法研究

胥峰　周建光　李兵　韩飞　王晓亮

摘 要：文章通过对CIDAS统计的150例汽车与二轮车碰撞事故工况样本参数信息进行系统聚类分析，提取出了用于评价面向骑行者的自动紧急制动系统（AEB）的测试场景，建立了面向骑行者的自动紧急制动系统测试评价方法，并利用Prescan和Simulink软件搭建了典型场景的虚拟交通模型以及自动紧急制动系统（AEB）算法控制模型，通过联合仿真分析验证了AEB控制算法的具体实施过程，进一步说明了典型场景和测试方法的有效性。

关键词：自动紧急制动系统;聚类分析;联合仿真;Prescan;Simulink

中图分类号：U467  文献标识码：B  文章编号：1671-7988（2020）03-152-05

1 引言

智能网联汽车作为机械技术、环境感知技术、控制技术、通信技术等多学科跨界融合的产品，必然会成为汽车产业转型升级的一大趋势。自动紧急制动系统（AEB）作为智能网联汽车初级阶段的一项主动安全系统，目前受到了国内外各科研及检测机构所越来越多的重视。对于AEB系统的技术进步和应用普及，必需有一套完善的测评体系作为支撑，所以国内外大部分国家都出台了自己的自动紧急制动系统测评规范。但是目前出台的测评方法还都是仅局限于车与车以及车与行人之间交互场景的测试，而对于我国常见的涉及骑车者（自行车、电动车、摩托车）的测试场景研究较少，所以针对该工况测试评价方法的研究也迫在眉睫[1]。

本文借鉴GIDAS（德国交通事故深入研究）分析事故的方法，通过分析CIDAS（中国交通事故深入研究）统计的150例汽车与二轮车碰撞事故工况样本，利用系统聚类分析方法对涉及骑行者的典型事故工况样本进行数学统计分析，提取出面向骑行者的自动紧急制动系统典型测试场景，然后利用Prescan和Simulink软件搭建了典型场景的虚拟交通模型以及自动紧急制动系统（AEB）算法控制模型，通过联合仿真分析验证了AEB控制算法的具体实施过程，进一步说明了典型场景和测试方法的有效性。

2 典型事故工况测试场景的提取

2.1 聚类分析参数的选取

CIDAS（中国交通事故深入研究）统计的每一例事故工况样本经过分析重建后，都会以多个变量参数组合的形式表示，本文对涉及骑行者的150例汽车与骑行者碰撞事故工况样本中的各变量参数进行统计分析得出如表1所示的统计表。

从表1中的数据可以看出，天气、交通以及驾驶员视野这三类变量参数，针对不同的变量值样本占比的差异太过明显，在聚类分析過程中不易成为突出特点，故在研究中剔除掉。涉及事故的骑行者类型和碰撞时骑行者速度这两个变量参数所描述的特征基本类似，如果同时选用两者作为聚类分析的变量会提高这一特征的权重，所以仅选取骑行者碰撞时的车速作为聚类变量。另外，考虑到后期在进行实车验证中的成本以及效率，需要选取与AEB在受控场地测试中的性能表现相关而且比较容易在测试过程中复现的变量。通过初步筛选，最终选取 道路特征、本车运动状态、骑行者运动状态、本车碰撞时车速、骑行者碰撞时速度 、照明状况六个变量进行聚类分析。

2.2 聚类分析过程

如表2所示，文中将上述变量分为了有序尺度、名义尺度和间隔尺度三种类型，并转化成数值表示的形式。针对间隔尺度类型的变量，在进行系统聚类分析之前需将样本变量值进行归一化处理，最小值表示为0，最大值表示为1，中间值采取线性插值计算。对于三值名义尺度变量，为了能够在聚类分析计算时，任意两值间的距离同二值名义尺度变量一样为1，需在聚类前将三值名义尺度变量转变成二值名义尺度变量，以“本车运动状态”变量参数转换为例，三值名义尺度变量转变成二值名义尺度变量如表3所示。

通过上述方式将事故样本转化为数值表示的形式后，与骑行者相关的150例AEB事故样本的变量值可表示成矩阵的形式。本文首先选用欧式距离计算方法对样本距离进行计算，然后利用MATLAB算法对事故样本进行系统聚类分析，通过聚类分析后得到如图1所示聚类树形图[2-3]，图1中横坐标表示为叶节点，纵坐标为聚类距离。

本文采用不一致系数这一判定参数来确定聚类分析的样本分类个数，在并类过程中，如果某一次计算出的不一致系数相比上一次计算出的增幅较大，则说明该次并类所取得的效果不算理想，并且增幅程度越大，说明前一次的并类效果也就相对越好。图2中为与骑行者相关的150例事故样本最后8次并类对应的不一致系数值，可以看出第144次并类与第143次相比有了大幅度的提升，说明第143次的并类效果较为理想，所以本文最终选择将事故样本分为七类。对事故发生时各类别中本车的运行速度和骑行者的运行速度进行统计，具体分布情况如图3和图4所示。

对典型事故的系统聚类树形图进行统计分析，整理得到涉及骑行者的聚类分析统计结果，如表4所示。

2.3 测试场景的提取

第二类和第五类事故样本数量相对较少，本文剔除掉该类样本，选取第一、三、四、六、七类事故样本来提取与骑行者相关的AEB系统的测试场景。结合这五类事故样本中较为典型的特征，并考虑到测试条件，最终提取出8种与骑行者相关的AEB系统的测试场景，如表5所示。为了简化测试场景，提高测试效率，本文中选取各分类样本中骑行者碰撞时的运行速度的均值进行圆整后的速度值作为典型场景中骑行者的测试参数，并且在进行测试时，本车运行速度参数的递增步长为10km/h。

3 测试仿真分析与验证

本文利用Prescan软件对上述场景类型3（本车以30km/h的车速匀速行驶，骑行者以20km从右侧横穿马路）进行虚拟场景搭建，并利用simulink对车辆的动力学模型及AEB控制算法模型进行搭建，通过联合仿真的方式对提取出的面向骑行者的AEB典型场景进行分析验证。

3.1 场景搭建

首先，在Prescan的GUI界面搭建场景类型3的虚拟测试场景：（1）在GUI界面中搭建一条车道宽为3.75m，中间为双黄实线的双向4车道十字交叉路口;（2）在道路两旁添加适当数量的树木、房屋并将光照调整为62385lux、测试环境温度调整为293.15K;（3）选用一辆Audi A8轿车作为测试车辆，一辆Honda踏板车作为骑行者目标车辆;（4）规划测试车辆和骑行者目标车的运行轨迹来模拟乘用车和骑行者过十字交叉路口的真实场景。

然后，设定测试车辆和骑行者目标车测试过程中的行驶速度以及运行姿态：（1）将测试车辆的驾驶模式（Driving mode）调整为“Path Follower”的模式;（2）分加速、稳定和测试三个阶段设置测试车辆和骑行者目标车测试过程中的运行速度，测试车辆在加速阶段以2m/s2的加速度加速到30km/h，在稳定阶段以30km/h速度驶向十字路口，测试阶段开始后继续保持匀速行驶，如果AEB系统没有起到制动的作用，则测试车与骑行者会发生垂直相撞。

最后，在测试车辆的驾驶员眼点位置和车辆外骑行者接近的一侧分别加装观测点，从而来模拟测试车辆上的摄像头，以便于在联合仿真测试验证过程中进行多角度的观察分析。

3.2 测试车辆传感器安装

为了使测试车辆能够对车身周边的基础设施、道路特征和骑行者目标进行实时的环境感知，本文在测试车辆适当的位置分别加装了一个TIS传感器和一个Cmaera传感器。传感器安装位置的选择应尽量使他的侦测区域不覆盖测试车辆，否则在测试过程中时会输出感知到的自车运行信息。传感器的性能参数如表6所示[4]。

3.3 AEB系统控制模型搭建

在Prescan软件中搭建完虚拟测试场景模型后，首先点击“Parse”按钮对模型进行解析检测，解析检测成功后，然后单击“Build”按钮，构建包括生成三维可视化所需的所有文件，并通过编译表运行试验，之后通过单击“Invoke Simu -link Run Mode”调用Simulink文件，调用成功后，双击打开生成的“_cs.mdl”文件，则在Prescan软件中搭建的虚拟测试场景模型便会自动导入编译表，如图5所示。

受研发时间限制，本文直接采用Prescan模板库中的AEB_VRU模块作为测试车辆AEB系统的控制算法模型。结合前面搭建的交通场景模型、车辆动力学模型，并加入AEB系統控制模块，然后将编译表中的各模块间的输入、输出参数进行连接，从而实现面向骑行者的典型场景和测试车辆AEB系统功能验证。

3.4 仿真结果

搭建完虚拟测试场景模型和面向骑行者的AEB系统控制模型后，运行联合仿真测试模型，从而查看面向骑行者的AEB测试仿真过程和测试仿真结果。测试过程中TIS传感器和Camera摄像头传感器融合后的检测结果如图6所示，从结果中可以看出经过多传感器融合后的环境感知系统可以有效地检测出测试车辆前方的骑行者。

从图7所示的仿真结果可以看出，测试车辆能够准确的检测到前方的骑行者目标，并且可以实时的计算出自车和骑行者之间的TTC，从而作为自车和骑行者之间是否存在碰撞危险的依据。在TTC=0.86s时，AEB系统开始向驾驶员发出预警信息，在检测到预警信息发出后驾驶员并没有采取有效避撞措施，从TTC=0.58s开始，AEB系统开始自发介入测试车辆的制动系统，对测试车辆进行全油门制动。

图8为测试车辆在整个仿真测试过程中行驶速度和纵向减速度的历时曲线，在TTC=0.58s时刻，AEB系统开始介入制动系统后，测试车辆的最大纵向减速度达到了10m/s2，有效避免了测试车辆与前方骑行者的碰撞。

4 本章小结

论文以CIDAS统计的涉及车辆与骑行者碰撞相关的150例交通事故为研究对象，对面向骑行者的AEB系统测试评价方法进行了研究，利用系统聚类的方法对事故样本数据进行了数学统计分析，提取出面向骑行者的AEB系统典型测试场景，最后利用Prescan和Simulink软件搭建了典型场景的虚拟交通模型以及AEB系统算法控制模型，通过联合仿真分析验证了AEB控制算法的具体实施过程，进一步说明了典型场景和测试方法的有效性。

参考文献

[1] 张秀彬，应俊豪.汽车智能化技术原理[M].上海：上海交通大学出版社，2011.

[2] 李桃迎.交通领域中的聚类分析方法研究[M].科学出版社，2014.

[3] 李仁义.数据挖掘中聚类分析算法的研究与应用[D]. 电子科技大学， 2012.

[4] 贺勇，王春香，董永坤.基于PRESCAN的汽车自动驾驶仿真[J].电脑知识与技术，2012（33）：8047-8049.