自动紧急制动系统（Autonomous Emergency Braking System, AEB）是一种高级辅助驾驶系统（Advanced Driving Assistant System, ADAS），它可实现车辆避撞和行人避撞，提高车辆的主动安全性。在面向自动驾驶主动安全技术方面，开展了以下方面的研究工作：

一、汽车自动紧急制动行人避撞策略研究

针对如何保护行人生命安全、应对复杂的行人避撞试验工况、解决行人轨迹更为灵活，不确定因素更多等问题，论文展开了研究，主要内容有:

针对自动紧急制动行人避撞系统（AEB Pedestrian System, AEB-P）的技术难点，对设计的AEB-P系统提出了功能要求。建立了AEB-P系统的体系结构，定义了系统各模块的基本功能和逻辑关系。通过CarSim动力学仿真分析软件和Matlab/Simulink软件建立了某款E级车型的动力学模型，进行理论推导得到了车辆逆动力学模型。

为满足AEB-P系统制动控制要求，构建了BP前馈模糊神经网络理论模型，并对其误差反传算法进行了推导。针对模糊神经网络的训练参数初始值只能随机产生，可能影响训练效果，产生控制误差等问题，引入了遗传算法，进行理论控制模型优化。优化后的AEB-P制动控制理论模型具有实时调节制动力大小、自学习和适应不同驾驶员驾驶习惯、能反映熟练驾驶员紧急制动操作经验的特点。

确定了AEB-P系统所需行车信息，并进行了相关计算处理。以碰撞时间（Time to collision, TTC）、制动安全距离等相关理论为研究基础，划分行车安全等级，建立了AEB-P系统预警模型，得到了不同车速工况下TTC取值范围和对应安全等级。界定了AEB-P预警系统的工作区域。设计了AEB-P系统上层模糊神经网络控制器，以有经验驾驶员的行人纵向避撞数据为训练样本，进行BP神经网络训练，对遗传算法优化前后结果进行对比分析。以国内行人避撞试验规范为标准，确定了相关测试场景的设置参数，建立了三维行人模型，在Carsim软件中搭建了相关行人测试场景。建立了AEB-P系统的CarSim和Simulink联合仿真模型，并进行仿真分析，验证提出策略的正确性。

二、多传感器信息融合的电动汽车自动紧急制动技术研究

该研究聚焦电动车辆自动紧急制动系统及其控制策略的开发与验证，致力于设计一套集成度高、鲁棒性强、控制精度高的车载先进驾驶辅助系统，以适应车辆智能化、电动化的发展趋势。

针对VGG16特征提取网络存在训练时间长、特征数量多等缺点，采用计算量小且易于优化的深度残差网络-特征金字塔组合对Faster-RCNN算法进行了改进；结合INRIA数据集、MIT数据集以及nuScenes数据集完成对改进后算法模型的训练与验证，依靠实车采集的城市道路、隧道以及内环高速等路段的样本，测试改进后的Faster-RCNN算法模型的检测精度以及泛化能力；实验结果表明，改进后的Faster-RCNN算法具有较强的鲁棒性并且在GPU上的检测速度可达2-4fps，能够实现遮挡、弯道等复杂场景下目标物体的检测。

针对毫米波雷达和摄像头在车辆上的不同安装位置和采样频率所造成的传感器数据在空间维度上不一致的问题，推导了毫米波雷达坐标系和图像坐标系的空间转换关系式，建立了雷达坐标系-相机坐标系-图像坐标系-像素坐标系间的空间转换模型，结合张正友相机标定方法完成罗技C670i摄像机的标定，实现了雷达与摄像头数据在空间维度上的融合；试验验证了融合模型的准确性。

建立了集成安全行驶级、碰撞预警级、紧急制动级的分层预警模型，确定了不同车速下的碰撞时间阈值和行车安全等级；提出了上层单隐藏层神经网络和下层PID的分层控制算法模型，并运用有经验驾驶员制动数据训练神经网络；针对PID参数整定过程耗时严重并过度依赖调参人员工程经验的问题，根据随机漫步理论，改进粒子群算法学习因子，并将其用于整定PID参数，提高了系统的控制精度和自调节能力；建立了汽车期望减速度到电动机扭矩和制动主缸压力的转换模型以及制动/加速工况逻辑切换模型、电动车辆动力学模型、毫米波雷达模型以及摄像头模型，完成自动紧急制动系统及其控制策略的软件建模。

根据中国新车评价标准C-NCAP 2021版中关于车辆主动安全技术测试场景（CBNA-50、CSFA-50、CBLA-50），在CarSim中搭建了仿真场景，结合Simulink软件进行联合仿真，验证本文设计的电动汽车自动紧急制动系统整体框架及其控制算法的可行性与有效性；对电动汽车自动紧急制动系统功能安全进行整体评价。

三、融合“人-车-路”信息的电动汽车主动避撞技术研究

汽车正朝着电动化、智能化的方向发展，主动避撞技术作为电动智能汽车的重要功能之一，有助于减少交通事故导致的人员生命财产损失。围绕这个主题展开，设计一种融合“人-车-路”信息的电动汽车主动避撞系统，主要研究内容如下：

在主动避撞系统“人-车-路”信息感知方面。①提出了一种基于深度学习的驾驶员制动意图预测模型（LSTM-CNN-Attention），该模型融合了LSTM（Long Short-Term Memory Neural Network, LSTM）、CNN（Convolutional Neural Network，CNN）和Attention机制的优点，解决了单一循环神经网络或卷积神经网络对多传感器数据的时空特征提取性能不佳的问题，能有效地获取“人”的信息。联合MATLAB/Simulink、PreScan和罗技G29等搭建了驾驶模拟器用于采集驾驶数据，利用处理后的数据训练模型实现驾驶员制动意图预测。针对深度学习模型超参数难以手动调节的问题，提出一种基于遗传算法的超参数整定方法；②基于带遗忘因子的递推最小二乘法设计了一种路面附着系数估计算法，完成对高、低附着路面和对接路面的仿真验证，提高了避撞系统对不同路面的适应能力，准确地获取了“路”的信息；③设计了一种障碍车过滤算法，去除不会对本车产生威胁的车辆目标，能够有效地获取“车”的信息。

针对纵向安全评估模型存在未能综合利用“人-车-路”等多方面信息的问题，提出了考虑前车驾驶意图和路面附着系数的安全评估模型。利用模糊理论设计了评估模型中的最小安全距离参数，增强了模型应对多种工况的能力。在横向安全评估方面，使用五次多项式对换道避撞轨迹进行规划，为了获得最优轨迹，建立了考虑舒适性和通行效率的代价函数。分析了横向换道避撞过程，得到了横向安全距离。综合考虑纵、横向安全距离后，建立了纵、横向避撞模式的优先级以及最终的决策算法。

为了提高制动避撞过程的舒适性和安全性，设计了基于神经网络的上层控制器用于模仿有经验驾驶员的驾驶行为，利用驾驶模拟器采集的驾驶数据训练网络。下层搭建了基于PID的反馈控制器，利用遗传算法对PID参数进行离线优化，提高了控制器对多种工况的适应能力。搭建了驱动/制动逆动力学模型并设计了两者的切换策略，避免了不同执行器频繁切换的问题。联合CarSim和MATLAB/Simulink搭建了仿真平台，参考欧洲新车评价规程（European-New Car Assessment Programme, Euro-NCAP）搭建了高、低两类附着路面的测试工况，完成了纵向避撞控制策略的仿真验证、对比与分析。结果表明本文设计的纵向避撞系统能够准确地识别危险工况并做出有效的应对措施，可以在设计的所有工况下完成避撞。

开展了基于模型预测控制（Model Predictive Control, MPC）的主动换道避撞控制策略研究。建立了三自由度车辆动力学模型，通过线性化和离散化后设计了基于线性时变系统的模型预测控制器。构建了考虑跟踪误差和控制量的目标函数，确保跟踪性能和舒适性。对MPC添加约束用于满足执行器物理限制和保证汽车稳定性。搭建了横向避撞仿真平台，设计了高、低附着系数仿真工况，并与多点最优预瞄控制进行了对比。最后，对仿真结果进行分析和评价，结果表明本文设计的横向避撞系统较多点最优预瞄控制拥有更高的跟踪精度，能够确保避撞过程中车辆的安全性和稳定性。

四、复杂场景下面向弱势道路使用者的自动紧急制动技术研究

随着交通事故的频发和道路场景的越发复杂化，弱势道路使用者（Vulnerable Road Users，VRU）的交通安全问题越来越受到重视。论文聚焦于复杂行车场景下集“人-车-路-环境”为一体的自动紧急制动技术（AEB-VRU），主要研究内容如下：

①对比车载感知传感器的优劣势，制定了毫米波雷达和视觉传感器的融合感知方案；对雷达信号进行数据筛选，包括空目标滤波、车道范围滤波等；提出增加小目标检测层、CIoU_Loss以及DIoU_NMS方法对YOLOv5算法进行改进，结合nuScenes、Caltech等制定VRU数据集；基于PyTorch框架对改进YOLOv5算法进行迁移学习训练，结果显示改进后的算法增强了对小目标和重叠目标的检测效果，mAP可以达到90.2%，相比改进前提升了4.5%，检测速度为90FPS，在兼顾识别精度和运行速度的同时可为AEB-VRU系统提供准确可靠的目标信息。

②分别对毫米波雷达和视觉传感器完成数据解析和实车标定，基于张正友相机标定原理在MATLAB中对Logitech C920摄像头内外参进行了标定；搭建了雷达和摄像头的空间融合模型，采取等间隔采样法完成数据同步，实现了二者在时空上的融合；利用试验车辆对改进YOLOv5算法进行测试，结果表明该算法的目标识别精度较高，实车检测速度为51FPS，可以兼顾检测速度与精度；验证了FR55F雷达和C920摄像头空间融合模型的准确性，提出了二者的决策级融合策略。

③基于PreScan建立了某款纯电动SUV的动力学模型并在WLTC和CLTC-P工况中进行验证，该模型在两种循环下均实现了对车速的精准跟踪；提出了融合安全距离和剩余碰撞时间的制动避撞策略，搭建了前馈神经网络和SAA-PID的分层控制模型，通过实车采集不同风格驾驶员的制动数据兼顾了系统的安全性、舒适性和个性化需求；提出采样补偿和Kalman滤波对“鬼探头”VRU进行位置预测，针对十字路口场景进行轨迹规划并基于多点预瞄控制算法实现了轨迹跟踪。

④针对当前AEB-VRU系统测试场景单一的问题，结合2021版Euro NCAP测试协议制定了CBNAO、CPNCO、CPTA三种复杂行车场景；基于PreScan和MATLAB/Simulink平台完成了场景搭建和仿真测试，结果表明系统在不同测试工况下均可实现稳定预警和避撞，提出的制动避撞策略能自适应不同附着系数路面的动态变化并有效降低碰撞事故风险，冗余安全距离维持在0.6-2.2m附近，验证了本文“人-车-路-环境”协同工作的AEB-VRU系统的安全性和稳定性。