李 霖，朱西產(chǎn)

（同濟大學(xué) 智能型新能源汽車協(xié)同創(chuàng)新中心，上海201804）

當前汽車安全技術(shù)的發(fā)展重心逐漸由被動安全向主動安全轉(zhuǎn)移.傳統(tǒng)的汽車主動安全技術(shù)以制動防抱死系統(tǒng)（Anti－Lock Braking System，ABS）和電子穩(wěn)定控制系統(tǒng)（Electronic S
Tability Control，ESC）等車輛穩(wěn)定性控制系統(tǒng)為代表，這類系統(tǒng)的典型特點是假設(shè)駕駛員是理想駕駛員，駕駛員的操作永遠是正確的，系統(tǒng)控制的作用是讓車輛的響應(yīng)更好地跟隨駕駛員的操作.

車輛穩(wěn)定性控制技術(shù)和傳統(tǒng)的被動安全技術(shù)已基本解決了車輛自身的安全問題，但交通事故仍然大量發(fā)生，根本原因在于駕駛員.研究表明，約93%的交通事故都是由于駕駛員的錯誤操作導(dǎo)致[1].為了進一步提高道路交通安全性，幫助駕駛員減少錯誤操作，以先進駕駛輔助系統(tǒng)（Advanced Driver Assistance Systems，ADAS）為代表的智能汽車安全技術(shù)逐漸得到重視和發(fā)展.

ADAS系統(tǒng)根據(jù)雷達、攝像頭等傳感器探測環(huán)境信息，當發(fā)現(xiàn)駕駛員當前的操作有導(dǎo)致事故的危險時，系統(tǒng)向駕駛員發(fā)出信息提示或預(yù)警，提醒駕駛員糾正駕駛行為回避危險.在緊急工況下，由于留給駕駛員的反應(yīng)時間很少，一些系統(tǒng)通過主動介入對車輛進行控制，幫助駕駛員回避或減輕事故造成的危害.德國聯(lián)邦交通研究所（BASt）的研究表明，70%的嚴重交通事故都可以通過ADAS避免[2].

在緊急工況下，當前最有代表性的ADAS系統(tǒng)是自動緊急制動系統(tǒng)（Autonomous Emergency Braking，AEB）.AEB系統(tǒng)在碰撞危險非常高時通過緊急制動來避免碰撞或減輕碰撞程度.這類系統(tǒng)已經(jīng)較為成熟，比如VOLVO的CITY SAFETY系統(tǒng)[3]、Mercedes－Benz 的 PRE－SAFE 系 統(tǒng)[4].2014年，歐盟新車認證程序（Euro－NCAP）中也引入了對AEB城市系統(tǒng)（AEB CITY）和AEB公路系統(tǒng)（AEB Inter－Urban）的測試和評價[5].根據(jù) Euro－NCAP的測試，AEB可以避免27%的交通事故，并且能夠很大程度降低碰撞事故中人員受傷害的程度.為了進一步完善AEB的控制策略，本文結(jié)合駕駛員在緊急工況下的行為以及不同避撞方式的效能對AEB系統(tǒng)控制策略進行了分析，提出了一種集成制動控制和轉(zhuǎn)向控制的自動緊急控制策略，以對駕駛員提供更為全面的輔助，提高避撞效能.

1 AEB控制策略分析

AEB系統(tǒng)代表了當前ADAS系統(tǒng)在緊急工況下的典型控制策略.該系統(tǒng)在檢測到車輛前方出現(xiàn)碰撞危險時，通過聲音、圖像以及制動頓挫等方式向駕駛員發(fā)出預(yù)警，提醒駕駛員采取措施回避碰撞.隨著危險程度的上升，如果駕駛員沒有及時對警告信號做出正確的反應(yīng)，系統(tǒng)進行部分制動，在降低車速的同時提醒駕駛員.當碰撞危險變得十分緊急，碰撞無法避免時，系統(tǒng)通過自動完全制動來減輕碰撞的程度[6].

AEB系統(tǒng)在駕駛員無干預(yù)或有制動干預(yù)但制動強度不夠時能夠有效幫助駕駛員避免事故或減輕事故的傷害，但如果在介入時駕駛員有非預(yù)期行為（比如轉(zhuǎn)向、加速等操作），無論駕駛員的操作是否正確，AEB系統(tǒng)都會自動取消介入并將控制權(quán)完全交還給駕駛員.因此，AEB的控制策略本質(zhì)上講是一種開環(huán)控制策略，駕駛員不在環(huán)，駕駛員的操作輸入只是作為系統(tǒng)控制策略的一個干擾量.這種保守的控制策略雖然幫助企業(yè)回避了責任問題，但同時也喪失了安全效能.

但實際在危險工況下，相當一部分駕駛員會采取轉(zhuǎn)向避撞操作.Eckert等[7]對駕駛員在緊急狀態(tài)下的駕駛行為進行了研究，發(fā)現(xiàn)在TTC（Time－To－Collision，相對距離除以相對速度）較大時，駕駛員更多的傾向于采取制動避免碰撞.但當TTC減小時，更多的駕駛員采取了轉(zhuǎn)向以及轉(zhuǎn)向同時制動的避撞操作，這種趨勢在障礙物與本車重疊率較小時更為明顯（圖1）.這說明轉(zhuǎn)向避讓是駕駛員在緊急工況下的一種自然反應(yīng)，但這種緊急轉(zhuǎn)向行為很難控制，駕駛員通常沒有足夠的經(jīng)驗應(yīng)付，往往過晚轉(zhuǎn)向?qū)е滦∑门鲎?、過激轉(zhuǎn)向?qū)е略匠鲕嚨?、過激轉(zhuǎn)向同時制動導(dǎo)致失穩(wěn)等后果[8]，使得發(fā)生更為嚴重的事故，我國的重特大事故中相當一部分也都源出于此[9].因此，有必要對駕駛員的緊急轉(zhuǎn)向行為進行輔助.

圖1 駕駛員在緊急工況下的避撞行為[7]Fig.1 Drivers’collision avoidance behaviors under emergency conditions

同時，從避撞效能出發(fā)，轉(zhuǎn)向避撞在很多情況下相對于制動避撞更為有效，因為轉(zhuǎn)向避撞所需的縱向距離小于制動避撞所需的縱向距離，當通過制動無法避免碰撞時，往往還可以通過轉(zhuǎn)向進行避撞（圖2）.

本文通過質(zhì)點車輛模型對制動和轉(zhuǎn)向的避撞效能進行分析.如圖3所示，將車輛視作一個質(zhì)點，車輛坐標系為xoy，x軸沿車輛縱向指向車輛前進方向，y軸沿車輛側(cè)向指向車輛左側(cè)，車輛在世界坐標系XOY中具有X，Y兩個運動自由度.

車輛在XOY坐標系下的運動微分方程為

式中：m為車輛質(zhì)量；ψ為車輛航向角，即車輛坐標系x軸與世界坐標系X軸之間的夾角；Fx和Fy為實際作用在車輛上的輪胎力.

輪胎力Fx和Fy受到輪胎摩擦圓的約束，因此，車輛的加速度應(yīng)滿足如下關(guān)系：

式中：ax，ay分別為車輛的縱向和橫向加速度；ax，max，ay，max分別為車輛縱橫向最大加速度.ax，max＝μg，μ為道路摩擦系數(shù)，g為重力加速度.ay，max受到道路摩擦系數(shù)和車輛抗側(cè)翻性能要求的影響，通常情況下ay，max＜μg.

引入狀態(tài)變量z，z＝[X，Y，vX，vY]T，vX，vY為車輛沿X軸和Y軸的速度，vX＝X·，vY＝Y(jié)·.車輛的狀態(tài)方程為

系統(tǒng)輸入u＝[Fx，F(xiàn)y]T.設(shè)駕駛員開始避撞行為的時刻為零時刻，車輛的初始狀態(tài)為X（0）＝X0，Y（0）＝Y(jié)0，vY（0）＝vY0，vX（0）＝vX0.避撞結(jié)束時刻為T，車輛在T時刻的狀態(tài)為X（T）＝XT，Y（T）＝Y(jié)T，vY（T）＝vYT，vX（T）＝vXT.為求最短縱向避撞距離，即求輸入u使得XT最小.設(shè)初始時刻狀態(tài)變量Y0＝0，vY0＝0，求目標函數(shù).

考慮3種情況：

（1）制動避撞，即輸入Fy＝0，車輛最終狀態(tài)為YT＝0，vXT＝0.

（2）轉(zhuǎn)向避撞，即輸入Fx＝0，車輛最終狀態(tài)為YT＝b，b為車輛避撞所需的側(cè)向距離，vYT＝0，即車輛避撞完成后側(cè)向速度為0.

（3）制動＋轉(zhuǎn)向避撞，YT＝b，VYT＝0.

設(shè)車輛質(zhì)量m＝1 000 kg，道路摩擦系數(shù)μ＝0.8，車輛避撞所需的側(cè)向距離b＝3.0 m，車輛最大縱向加速度ax，max＝0.8g，不考慮側(cè)翻，車輛最大側(cè)向加速度ay，max＝0.8g.采用 Tomlab的PROPT軟件計算不同避撞方式所需的縱向距離[10]，結(jié)果如圖4所示.可以看出，在低速時，制動避撞所需距離更短，但當車速高于69.4 km·h－1時，轉(zhuǎn)向避撞所需的縱向距離更短.轉(zhuǎn)向的同時制動能夠進一步減小縱向避撞距離，當車速高于59.6 km·h－1時，制動＋轉(zhuǎn)向的避撞方式所需縱向距離小于制動避撞距離.

圖4 縱向避撞距離（μ＝0.8，b＝3.0 m）Fig.4 Required longitudinal distances for collision avoidance（μ＝0.8，b＝3.0 m）

保持其他條件不變，設(shè)道路摩擦系數(shù)μ＝0.3，不同避撞方式所需的縱向避撞距離如圖5所示.當?shù)缆纺Σ料禂?shù)降低時，轉(zhuǎn)向避撞相對于制動避撞的避撞潛力優(yōu)勢更為明顯.當車速高于43.6 km·h－1時，轉(zhuǎn)向避撞所需的縱向距離比制動所需的縱向距離更短，轉(zhuǎn)向同時制動能夠進一步減小避撞所需縱向距離，相對于制動避撞的臨界車速為38.1 km·h－1.

保持道路摩擦系數(shù)μ＝0.8，設(shè)轉(zhuǎn)向避撞所需的側(cè)向位移b分別為3.0 m，1.5 m和0.5 m，3種情況下轉(zhuǎn)向避撞及轉(zhuǎn)向同時制動避撞所需縱向距離如圖6所示.當避撞所需的側(cè)向位移減小時，所需的縱向避撞距離也相應(yīng)減小.由于制動避撞距離與障礙物的側(cè)向偏置距離無關(guān)，因此當避撞所需的側(cè)向位移更小時，轉(zhuǎn)向避撞具有更大的優(yōu)勢，這種趨勢在高速時更為明顯.轉(zhuǎn)向同時進行制動能夠減小避撞距離，但這種趨勢隨著側(cè)向所需位移減小而減弱.

從以上分析可知，轉(zhuǎn)向避撞在高速、低重疊率、低附著系數(shù)等工況下所需的縱向制動距離比制動避撞所需縱向距離要短，往往在制動無法避免碰撞時，通過轉(zhuǎn)向（或轉(zhuǎn)向同時制動）還能夠避免碰撞，因此引入轉(zhuǎn)向控制可以進一步提高避撞的能力.

同時，從用戶調(diào)查看，轉(zhuǎn)向避撞輔助也是用戶的一種需求，用戶認為其重要程度甚至超過了當前主流的低速 AEB系統(tǒng)[11].

從以上的分析可以看出，在緊急情況下駕駛員進行轉(zhuǎn)向操作是一種自然反應(yīng)，這種自然反應(yīng)往往導(dǎo)致更為嚴重的事故；但在高速、低重疊率、道路濕滑等工況下轉(zhuǎn)向操作的避撞潛力大于制動避撞；并且用戶對緊急情況下的轉(zhuǎn)向輔助需求迫切.因此在當前AEB自動緊急控制策略基礎(chǔ)上引入轉(zhuǎn)向控制是未來智能汽車緊急控制的方向.

目前國際上已經(jīng)開始了轉(zhuǎn)向避撞控制策略的研究，比如Continental的緊急轉(zhuǎn)向輔助（Emergency Steering Assist，ESA）系 統(tǒng)[7]，Bosch 的 Evasive Steering Support（ESS）系統(tǒng)[12]等，這些系統(tǒng)的控制策略非常類似，系統(tǒng)的介入必須滿足3個條件：

（1）通過制動無法避免碰撞.

（2）轉(zhuǎn)向可以避免碰撞.

（3）駕駛員有轉(zhuǎn)向避撞操作.

這種控制策略中，駕駛員依然不在環(huán)，駕駛員的轉(zhuǎn)向輸入只是作為系統(tǒng)的一個觸發(fā)條件.系統(tǒng)介入后會接管車輛的控制權(quán)，讓車輛沿預(yù)先設(shè)定好的路徑行駛.這樣的策略可能會對駕駛員造成較大的干擾，因為駕駛員不一定想沿系統(tǒng)設(shè)定的路徑行駛.

2 智能汽車自動緊急控制策略

本文提出一種集成制動控制和轉(zhuǎn)向控制的自動緊急控制（Autonomous Emergency Control，AEC）策略，用于在緊急工況下幫助駕駛員糾正駕駛行為，輔佐駕駛員回避危險或減輕危險的程度.AEC策略的介入原理是根據(jù)駕駛員的輸入并結(jié)合駕駛員模型得到車輛的預(yù)期軌跡，同時根據(jù)傳感器信息融合構(gòu)建道路環(huán)境模型得到車輛可行域（drivable space）、過渡域和危險域.可行域是指車輛能夠穩(wěn)定到達且不會發(fā)生碰撞（或越出車道）事故的區(qū)域；過渡域指雖然車輛不會發(fā)生事故，但安全裕量較小，稍有偏差就會發(fā)生事故的區(qū)域；而危險域是指車輛發(fā)生事故可能性非常高的區(qū)域.如圖7所示，如果車輛預(yù)期軌跡進入了危險域，說明駕駛員的操作為不當，需要通過AEC進行糾正，避免事故的發(fā)生或減輕事故的傷害.如果車輛預(yù)期軌跡在過渡域內(nèi)，駕駛員的操作為危險駕駛行為，需要對駕駛員進行預(yù)警.如果車輛預(yù)期軌跡在車輛可行域內(nèi)，則駕駛員的操作是正確操作，系統(tǒng)無需介入.

圖7 AEC系統(tǒng)的介入原理Fig.7 Intervention principle of AEC

在AEC中，駕駛員始終在環(huán)，AEC的控制輸入根據(jù)駕駛員的輸入進行實時調(diào)整，并最終與駕駛員的輸入疊加在一起，作為車輛的總輸入.AEC的控制系統(tǒng)框架如圖8所示.

圖8 AEC控制框架Fig.8 Control framestruce of AEC

2.1 車輛模型

本文采用單軌自行車模型來設(shè)計控制策略，如圖9所示.車輛的運動可以用以下微分方程表示.

圖9 單軌車輛模型Fig.9 Single track model

式中：m為車輛質(zhì)量；Iz為車輛繞z軸的轉(zhuǎn)動慣量；lf，lr分別為車輛質(zhì)心到前軸和后軸的距離；x·，y·為車輛的縱向和橫向速度；ψ·為車輛的橫擺角速度；ey為車輛質(zhì)心到車道中心線的垂直距離；eψ為車輛航向角ψ與車道中心線切線與世界坐標系XOY的X軸之間的夾角ψroad的差值；s為車輛沿車道中心線的縱向位置；Fxf，F(xiàn)xr分別為前后輪輪胎力在車輛縱向上的分力；Fyf，F(xiàn)yr分別為前后輪輪胎力在車輛側(cè)向上的分力.Fxf，F(xiàn)xr，F(xiàn)yf，F(xiàn)yr根據(jù)車輪縱向力和側(cè)向力得到.

式中：fxi，fyi分別表示車輪i的縱向力和側(cè)向力，i為f，r，分別表示前輪和后輪；δi表示車輪i的轉(zhuǎn)向角，本文中假設(shè)車輛只有前輪轉(zhuǎn)向，因此δr＝0.

為了提高計算效率，本文中采用Fiala輪胎模型來計算車輪力[13].根據(jù)Flala模型，輪胎的縱向力和側(cè)向力是制動率ρ、輪胎側(cè)偏角α、道路摩擦系數(shù)μ以及輪胎法向力Fz的函數(shù)，即

式中：ρ∈[－1，1]表示制動率，ρ＝－1對應(yīng)全制動，ρ＝1對應(yīng)全油門加速，本文中因只考慮制動，因此ρ∈[－1，0].最終車輛模型可以寫成如下形式

式中：ξ＝[x·，y·，ψ·，eψ，ey，s]T；u＝[δf，ρ]T.對式（7）進行歐拉離散化處理，得到車輛模型的離散方程為

2.2 環(huán)境模型

環(huán)境模型主要通過環(huán)境感知（situation awareness，SA）向控制策略提供與本車運行相關(guān)的道路環(huán)境信息.按照Endsley的定義[14]，環(huán)境感知指探測在一定空間和時間內(nèi)的環(huán)境元素，理解這些元素的含義，并預(yù)測這些元素在不久的將來的狀態(tài).通過環(huán)境模型，可以得到與本車運行相關(guān)的其他車輛、行人等障礙物以及道路曲率、車道線等當前信息及未來演變的可能，通過這些信息推導(dǎo)出車輛的可以安全通過的區(qū)域，即車輛的可行域.

車輛的可行域需滿足以下3個條件：

（1）車輛不會越出道路.

由上一節(jié)中得到的車輛模型，設(shè)eψ，ey分別為車輛航向角以及車輛位置與車道中心線之間的偏差.車輛的外形用矩形表示，車輛質(zhì)心到車身前端的距離為a，到后端的距離為b，車身寬度為c，設(shè)eyi為車身4個角點與車道中心線的垂直偏差，i∈｛1，2，3，4｝分別表示車身的左前、右前、左后、右后4個角點.

為保證車輛不越出車道，車輛與車道中心線的偏差必須保持在一定的范圍內(nèi)，即

根據(jù)不同的應(yīng)用場合，eymin和eymax取值不同，比如對于車道保持，eymin和eymax為車道線的邊界，而對于避撞，車輛可以占用其他車道來完成避撞操作，eymin和eymax為道路的邊界線.

（2）車輛保持穩(wěn)定.

在緊急工況下，駕駛員可能伴有劇烈的轉(zhuǎn)向或轉(zhuǎn)向同時制動的避撞行為，在這種情況下，即使車輛配備有ESC系統(tǒng)，由于車輛的響應(yīng)已經(jīng)超過了ESC的安全裕度，車輛依然有可能失穩(wěn).車輛失去穩(wěn)定性后駕駛員無法對車輛進行控制，往往導(dǎo)致更為嚴重的交通事故.因此，車輛可行域的另一個典型特征是車輛在該區(qū)域內(nèi)行駛時不會失穩(wěn).

式中：E1，E2為常數(shù).當然，更理想的情況是將輪胎力保持在線性區(qū)域內(nèi)，此時普通駕駛員也有能力對車輛進行有效的控制，這可以通過限制輪胎側(cè)偏角的大小來保證[16]

（3）避撞.

在保證車輛不越出道路以及車輛保持穩(wěn)定的前提下，避撞是自動緊急控制最主要的目的，因此車輛的可行域應(yīng)保證車輛不會與障礙物發(fā)生碰撞.

如圖9所示，在s－ey坐標系中，車輛形狀用矩形表示，行人、騎車人等目標用橢圓表示，屬于本車車身上的所有點用仿射空間表示，則

為了避撞，自車車身矩形與目標車車身矩形應(yīng)當無交集，即本車車身上所有點滿足

本文用橢圓表示行人、騎車人等目標的形狀，為了避免與這類目標發(fā)生碰撞，本車車身上所有點應(yīng)滿足

式中：（sk，ey，k）為目標k中心點坐標；ak為目標k橢圓的長軸；bk為目標k橢圓的短軸.

綜合道路保持、車輛穩(wěn)定和避撞3方面的要求，車輛的可行域可表示為

由離散車輛模型（8），得到k時刻車輛的安全約束為

為了保證后續(xù)開發(fā)的自動緊急控制策略的穩(wěn)定性，此處對車輛可行域約束條件進行松弛，因此定義松弛變量ε，ε為很小的非負常數(shù)，得到

該約束方程定義了k時刻車輛可以安全通過的區(qū)域的集合，即k時刻車輛的可行域，記為Ck.

2.3 駕駛員模型

研究駕駛員模型的目的是對駕駛員的當前操作行為進行辨識，并對駕駛員未來的操作行為進行估計，再結(jié)合車輛的動力學(xué)模型，估計得到車輛的預(yù)期軌跡.

根據(jù)車輛模型ξ（k＋1）＝fd（ξ（k），u（k）），設(shè)t時刻車輛的狀態(tài)ξ（t）能夠通過測量或狀態(tài)估計得到，駕駛員在t時刻的輸入為u（t）.通過駕駛員模型，可以估計得到t時刻后k個采樣時刻駕駛員的輸入為ut＋k，t.此處需注意區(qū)分不同的符號所代表的含義，ut＋k，t為根據(jù)t時刻駕駛員的輸入并結(jié)合駕駛員模型估計得到t＋k時刻駕駛員的輸入，而u（t＋k）表示駕駛員在t＋k時刻的實際輸入.因此，駕駛員從t時刻到t＋k時刻的估計輸入序列為Ut＝｛ut，t，ut＋1，t，…，ut＋k，t｝，其中ut，t＝u（t）.結(jié)合車輛模型，可得到車輛從t時刻到t＋k時刻的預(yù)估軌跡為Tt＝｛ξt，t，ξt＋1，t，…，ξt＋k，t｝.

通常情況下駕駛員模型無法精確地對駕駛員行為進行表述，而是存在一定的誤差，因此本文引入集合Ξ表示車輛軌跡的集合，即

取α＝0.05，表示車輛的軌跡有95%的可能性包含在集合Ξ內(nèi).

2.4 自動緊急控制

從t時刻到t＋k時刻車輛的可行域集合為C＝，如果駕駛員的預(yù)期操作正確，車輛的預(yù)期軌跡集合Ξ將保持在車輛可行域C中，即Ξ?C.如果車輛預(yù)期軌跡越出了車輛可行域，即Ξ∩C≠?時，說明駕駛員的行為存在不當之處，需要通過預(yù)警或控制介入對駕駛員的行為進行糾正，保證車輛的安全性.因此，自動緊急控制（AEC）的輸入是車輛預(yù)期軌跡和車輛可行域的函數(shù)，即控制介入

AEC的控制特點是根據(jù)駕駛員模型和環(huán)境模型估計駕駛員的操作是否會導(dǎo)致事故，如果發(fā)現(xiàn)有存在發(fā)生事故的可能性，則通過控制輸入對駕駛員的操作進行糾正和補償，保證車輛的安全.AEC的控制問題可以轉(zhuǎn)換為模型預(yù)測控制（Model Predictive Control，MPC）的問題，模型預(yù)測控制對于處理避撞這類多約束的非線性最優(yōu)化問題有其獨有的優(yōu)勢.如圖10所示，在每個采樣時刻，MPC計算一個有約束有限時間最優(yōu)控制問題（Constrained Finite Time Optimal Control Problem，CFTOC）得到一個最優(yōu)控制序列，但只將該控制序列的第一個值作為系統(tǒng)輸入，在下一采樣時刻重復(fù)進行該過程，實現(xiàn)滾動優(yōu)化[17].式中：U表示由于執(zhí)行器物理特性導(dǎo)致的控制輸入約束；ΔU表示控制輸入梯度約束；Np為預(yù)測區(qū)間；ξref為路徑規(guī)劃得出的參考路徑；Q，R，S，λ分別表示對路徑與參考路徑的偏差、控制輸入、控制輸入梯度以及柔性約束的懲罰權(quán)重.其中S的權(quán)重相對于R更大，即在保證將車輛控制在可行域的前提下，最小化制動或轉(zhuǎn)向的輸入變化率.當駕駛員沒有采取轉(zhuǎn)向避撞操作時，以制動控制為主，轉(zhuǎn)向控制主要用于保證車輛穩(wěn)定性.反之，當駕駛員有轉(zhuǎn)向避撞操作時，系統(tǒng)以轉(zhuǎn)向控制為主，制動控制更多的用于穩(wěn)定性控制.

圖10 模型預(yù)測控制示意圖Fig.10 Model predictive control

在任意采樣時刻t，可構(gòu)建如下最優(yōu)化問題求解AEC的控制輸入

圖11 AEC控制效果示意圖Fig.11 Control effects of AEC

求解上述方程，可以得到在當前駕駛環(huán)境下對應(yīng) 于 駕 駛 員 預(yù) 測 輸 入 序 列的控制輸入序列但只有控制序列的第一個元素作為系統(tǒng)輸入.在t＋1采樣時刻，重復(fù)進行上述過程.AEC控制效果如圖11所示，本文按照Biral提出的“最大轉(zhuǎn)向角速度最小（Minimum Jerk）”的原則[18]通過求解最優(yōu)控制問題得到駕駛員模型輸入（圖11 c），并且忽略駕駛員模型的誤差.有無AEC控制時車輛的軌跡如圖11 b所示，可見無AEC介入時駕駛員轉(zhuǎn)向不足，導(dǎo)致與前車發(fā)生小偏置碰撞，AEC根據(jù)駕駛員模型的輸入，通過控制輸入對駕駛員的操作進行糾正，控制輸入疊加在駕駛員的輸入上，在避免碰撞的同時保證了穩(wěn)定性.

3 結(jié)論

在緊急情況下，駕駛員通過轉(zhuǎn)向操作進行避撞是一種自然反應(yīng)，這種自然反應(yīng)往往導(dǎo)致更為嚴重的事故，當前以自動緊急制動系統(tǒng)（AEB）為代表的緊急制動控制策略在駕駛員轉(zhuǎn)向時取消介入，無法對駕駛員提供輔助，因此不能滿足未來智能汽車安全技術(shù)的需要.同時在高速、低重疊率、低附著系數(shù)等工況下，轉(zhuǎn)向避撞的避撞能力大于制動避撞，并且用戶對緊急情況下的轉(zhuǎn)向控制需求迫切，因此有必要在當前的AEB自動緊急控制策略基礎(chǔ)上引入轉(zhuǎn)向控制.

本文提出了一種集成制動控制和轉(zhuǎn)向控制的自動緊急控制（AEC）策略，該策略融合了駕駛員模型信息、道路環(huán)境模型信息和車輛信息，通過對車輛預(yù)期軌跡和車輛可行域進行對比分析，發(fā)現(xiàn)駕駛員的不當駕駛行為，并通過協(xié)調(diào)制動和（或）轉(zhuǎn)向控制輸入對駕駛員的行為進行糾正.

[1] Treat J R，Tumbas N S，Mcdonald S T，et al.Tri－level study of the causes of traffic accidents[R].Ann Arbor：Transport Research Institute（UMTRI），1979.

[2] Vollrath M，Briest S，Schieβl C，et al.Ableitung von Anforderungen an Fahrerassistenzsysteme aus Sicht der Verkehrssicherheit[R].Bergisch Gladbach：BAST，2006.

[3] Distner M，Bengtsson M，Broberg T，et al.City safety—a system addressing rear－end collisions at low speeds[C／CD]／／Proceedings of the 21st International Technical Conference on the Enhanced Safety of Vehicles（ESV）.Washington D C：NHTSA，2009.

[4] Bogenrieder R，F(xiàn)ehring M，Bachmann R.Pre－Safe?in rearend collision situations[C／CD]／／ Proceedings of The 21st International Technical Conference on the Enhanced Safety of Vehicles Conference（ESV）.Washington D C：NHTSA，2009.

[5] European New Car Assessment Program（Euro－NCAP）.Test protocol– AEB systems，version 1.0 [S].Brussels：Euro－NCAP，2013.

[6] Maurer M.Forward collision warning and avoidance [M].Berlin：Springer，2012.

[7] Eckert A，Hartmann B，Sevenich M，et al.Emergency steer ＆brake assist：a systematic approach for system integration of two complementary driver assistance systems[C／CD]／／Proc 22nd Int Technical Conf Enhanced Safety of Vehicles.Washington D C：NHTSA，2011.

[8] Malaterre G，F(xiàn)errandez F，F(xiàn)leury D，et al.Decision making in emergency situations[J].Ergonomics，1988，31（4）：643.

[9] 公安部交通管理局.中華人民共和國道路交通事故統(tǒng)計年報（2011年度）[R].北京：公安部交通管理局，2012.Traffic Management Bureau of the Ministry of Public Security.Annual report of road traffic accident statistics of the People＇s Republic of China（2011）[R].Beijing：Traffic Management Bureau of the Ministry of Public Security，2012.

[10] Rutquist P E，Edvall M M.Propt－matlab optimal control software[R].Seattle：Tomlab Optimization Inc，2009.

[11] Robert Bosch Gmb H.Chassis systems control driver assistance systems—how much support do German drivers want？[R].Heilbronn：Robert Bosch Gmb H，2012.

[12] Fausten M.Accident avoidance by evasive manoevres[C／CD]／／Proceedings of the 4th Tagung Sicherheit durch Fahrerassistenz（TVSD）. Munich：TüV SüD Akademie Gmb H，2010.

[13] Hindiyeh R Y，Gerdes J C.Equilibrium analysis of drifting vehicles for control design[C]／／ASME 2009 Dynamic Systems and Control Conference.Hollywood：American Society of Mechanical Engineers，2009：181－188.

[14] Endsley M R.Toward a theory of situation awareness in dynamic systems [J].Human Factors：The Journal of the Human Factors and Ergonomics Society，1995，37（1）：32.

[15] Inagaki S，Kshiro I， Yamamoto M.Analysis on vehicle s
Tability in critical cornering using phase－plane method[C]／／Proceedings of the International Symposium on Advanced Vehicle Control 1994.Tsukuba－shi：Society of Automotive Engineers of Japan，1994：287－292.

[16] Falcone P.Nonlinear model predictive control for autonomous vehicles[D].Benevento：University of Sannio，2007.

[17] Rawlings J B，Mayne D Q.Model predictive control：theory and design[M].London：Nob Hill Pub，2009.

[18] Biral F，Da Lio M，Bertolazzi E.Combining safety margins and user preferences into a driving criterion for optimal controlbased computation of reference maneuvers for an ADAS of the next generation[C]／／IEEE Intelligent Vehicles Symposium.Washington DC：IEEE，2005：36－41.