智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究現(xiàn)狀與趨勢

陳雷　程鳳軍

【摘? 要】汽車能否成功避撞直接影響其行駛的安全性與穩(wěn)定性，因而汽車避撞技術(shù)的研究越來越重要。通過時(shí)間序列分析和歸納研究，從"優(yōu)化控制策略、設(shè)計(jì)安全距離模型、行車信息感知與處理、車輛動(dòng)力學(xué)、差異化預(yù)警、優(yōu)化算法"等方面分析智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究現(xiàn)狀，進(jìn)而預(yù)測其未來研究趨勢是"算法逐步優(yōu)化、深度逐步加大、范圍逐步拓展、四化程度逐步提高"，最后認(rèn)為該領(lǐng)域的研究應(yīng)綜合多種算法或綜合多個(gè)角度以滿足現(xiàn)實(shí)需求。

【關(guān)鍵詞】智能網(wǎng)聯(lián)汽車；主動(dòng)避撞技術(shù)；現(xiàn)狀；趨勢

中圖分類號：U463.6? ? 文獻(xiàn)標(biāo)志碼：A? ? 文章編號：1003-8639（ 2023 ）09-0003-05

Research Status and Trend of Intelligent Connected Vehicle Active Collision Avoidance Technology

CHEN Lei，CHENG Fengjun

（Changzhou Vocational Institute of Industry Technology，Changzhou 213164，China）

【Abstract】Whether a vehicle can successfully avoid collision directly affects its driving safety and stability，so the research of vehicle collision avoidance technology is more and more important. Through time series analysis and induction study，the current situation of Intelligent Connected Vehicle Active Collision Avoidance Technology was analyzed from the aspects of "optimal control strategy，design of safe distance model，driving information perception and processing，vehicle dynamics，differentiated early warning，optimization algorithm". Furthermore，the future research trend is predicted to be "gradual optimization of algorithm，gradual increase of depth，gradual expansion of scope and gradual improvement of the four modernizations". Finally，the author believes that the research in this field should integrate a variety of algorithms or perspectives to meet the practical needs.

【Key words】intelligent connected vehicle；active collision avoidance technology；current situation；trend

作者簡介

陳雷（1989—），男，講師，碩士，研究方向?yàn)橹悄芫W(wǎng)聯(lián)汽車技術(shù)；程鳳軍（1975—），男，高級工程師，博士，研究方向?yàn)樾虏牧霞靶履茉础?/p>

主動(dòng)避撞技術(shù)是智能網(wǎng)聯(lián)汽車智能駕駛的關(guān)鍵技術(shù)，其離不開“運(yùn)動(dòng)規(guī)劃與障礙物識別”等技術(shù)或方法的支持，其對降低交通事故發(fā)生率、提高汽車行駛安全性與穩(wěn)定性具有重要意義。當(dāng)前關(guān)于智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究，主要分為“優(yōu)化控制策略、設(shè)計(jì)安全距離模型、行車信息感知與處理、車輛動(dòng)力學(xué)、差異化預(yù)警、優(yōu)化算法”等方向，內(nèi)容多且條目繁雜，很少有文獻(xiàn)將研究內(nèi)容進(jìn)行歸納、分析與總結(jié)。本文將解決上述問題，系統(tǒng)地分析智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究現(xiàn)狀，并預(yù)測其研究趨勢，以期為該領(lǐng)域研究人員提供直觀的參考依據(jù)和繼續(xù)研究的基礎(chǔ)價(jià)值。

1? 概述

1）主動(dòng)避撞系統(tǒng)（也稱自動(dòng)避撞系統(tǒng)）是智能網(wǎng)聯(lián)汽車的一部分，其主要用途是“提前發(fā)現(xiàn)與本車有碰撞可能的障礙物（如車輛、行人等），必要時(shí)能使汽車自動(dòng)制動(dòng)或做出避讓動(dòng)作”。目前汽車主動(dòng)避撞系統(tǒng)主要分為3種：一是車輛主動(dòng)避撞預(yù)警系統(tǒng)，如前向碰撞預(yù)警、車道偏離預(yù)警等；二是車輛輔助駕駛系統(tǒng)，如自適應(yīng)巡航系統(tǒng)、自動(dòng)緊急制動(dòng)系統(tǒng)、預(yù)碰撞系統(tǒng)等；三是復(fù)合交通自動(dòng)駕駛系統(tǒng)，如交通擁堵引導(dǎo)，高速公路引導(dǎo)等均能夠在城市或高速擁堵道路實(shí)現(xiàn)自動(dòng)駕駛[1]。智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)是基于主動(dòng)避撞系統(tǒng)進(jìn)行開發(fā)，也稱為主動(dòng)避撞系統(tǒng)技術(shù)。

2）運(yùn)動(dòng)規(guī)劃模塊是智能網(wǎng)聯(lián)汽車車載系統(tǒng)的核心組成部分，也是主動(dòng)避撞系統(tǒng)不可缺少的部分。運(yùn)動(dòng)規(guī)劃方法可分為路徑規(guī)劃、路線規(guī)劃、動(dòng)作規(guī)劃和軌跡規(guī)劃[2]。路徑規(guī)劃是基于行車安全性，采集環(huán)境多源信息，不斷探索起點(diǎn)到終點(diǎn)所有可行路徑，以確定最優(yōu)路徑。軌跡規(guī)劃是在確定已知可能路徑的基礎(chǔ)上，結(jié)合汽車實(shí)時(shí)的狀態(tài)和道路交通信息，規(guī)劃出一條包含“汽車實(shí)時(shí)空間位置-汽車實(shí)時(shí)車速”對應(yīng)關(guān)系的關(guān)系式。

3）汽車障礙物識別技術(shù)是判斷車身周圍一定范圍內(nèi)存在的障礙物大小、距離等信息，以避免發(fā)生碰撞的一種技術(shù)，顯然該項(xiàng)技術(shù)可為汽車主動(dòng)避撞技術(shù)提供基礎(chǔ)支撐。當(dāng)前為檢測與識別障礙物，多種傳感器被應(yīng)用于智能網(wǎng)聯(lián)汽車，如激光雷達(dá)、超聲波雷達(dá)、毫米波雷達(dá)、紅外雷達(dá)等。隨著科技的進(jìn)步，障礙物檢測與識別算法的魯棒性和實(shí)時(shí)性逐漸增強(qiáng)。

2? 智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究現(xiàn)狀

2.1? 優(yōu)化控制策略

當(dāng)前國內(nèi)外學(xué)術(shù)界關(guān)于主動(dòng)避撞控制策略的研究主要圍繞“縱向避撞控制策略、制動(dòng)與轉(zhuǎn)向協(xié)調(diào)避撞控制策略”等展開。以前者為例，智能網(wǎng)聯(lián)汽車主動(dòng)避撞系統(tǒng)通過雷達(dá)等環(huán)境感知設(shè)備獲取障礙物的速度、大小、與本車距離等信息（其主要針對汽車行駛縱向上的障礙物），判斷本車與障礙物發(fā)生碰撞的可能，然后采取制動(dòng)或避讓措施，如有研究認(rèn)為“合理的避撞控制策略應(yīng)該既能達(dá)到安全避撞的需求，又不對駕駛員的正常行駛造成干擾”[3]，其避撞模型控制邏輯如表1所示。以后者為例，有研究提出一種采用非線性模型預(yù)測控制的轉(zhuǎn)向和制動(dòng)同時(shí)進(jìn)行的避撞策略，其通過對車輪轉(zhuǎn)向角度和橫向加速度設(shè)定約束條件，提高了轉(zhuǎn)向避撞的安全穩(wěn)定性[4]。

2.2? 設(shè)計(jì)安全距離模型

安全距離模型設(shè)計(jì)的合理與否直接影響車輛避撞的安全性[5]。目前常用的4種安全距離模型是固定安全距離模型、基于制動(dòng)過程安全距離模型、基于車頭時(shí)距安全距離模型、駕駛員預(yù)瞄安全距離模型。第1種模型的實(shí)質(zhì)是“當(dāng)實(shí)際車間距離小于設(shè)定的固定值時(shí)，系統(tǒng)會(huì)產(chǎn)生報(bào)警信息”，其對行駛環(huán)境的適應(yīng)能力較差；第2種模型是從空間量化的角度出發(fā)，判斷車輛發(fā)生碰撞的可能性，該模型的優(yōu)點(diǎn)是所確定的安全距離可變化，但未考慮駕駛員的主觀感受；第3種模型是通過車輛距離碰撞的剩余時(shí)間來判斷緊急程度；第4種模型充分考慮了駕駛員的主觀感受，可滿足不同駕駛員的需求。

有研究設(shè)計(jì)了一種利用單個(gè)控制回路的控制方案，通過引入與前、后車輛之間的相對距離和前車速度相對應(yīng)的額外狀態(tài)變量實(shí)現(xiàn)車輛速度和距離的跟蹤[6]，但該種控制方案的穩(wěn)定性較差。為此，提出了基于車輛跟隨策略的安全距離控制模型，增強(qiáng)了汽車跟隨系統(tǒng)的穩(wěn)定性[7]。進(jìn)一步地，將傳統(tǒng)安全距離模型和基于車頭時(shí)距的安全距離模型優(yōu)缺點(diǎn)互補(bǔ)，建立了一種高低速安全距離模型進(jìn)而搭建的自動(dòng)緊急制動(dòng)（AEB）系統(tǒng)控制算法模型[8]。更進(jìn)一步地，建立智能汽車自動(dòng)緊急避撞的質(zhì)點(diǎn)模型和考慮車輛外形尺寸及安全約束條件的避撞模型，并對兩種模型所需的最小縱向安全距離進(jìn)行仿真計(jì)算和對比分析[9]。此外，針對城市工況，提出了一種最小安全車距控制模型和避撞算法，針對前方車輛行駛狀態(tài)和不同類型車輛制動(dòng)性能差異，給出相應(yīng)的安全距離估算模型[10]。

2.3? 行車信息感知與處理

行車信息感知是汽車智能駕駛的關(guān)鍵技術(shù)之一，其能為汽車行駛過程中提供道路邊界、車輛周圍障礙物的位置、速度、運(yùn)動(dòng)方向等信息[11]。當(dāng)前有關(guān)行車信息感知的研究主要集中于車距測量、車速測量、路面信息獲取，而行車信息處理主要通過卡爾曼濾波技術(shù)。

2.3.1? 車距測量

當(dāng)前車間距離測量方法主要有兩種，即基于機(jī)器視覺[12]和基于車載雷達(dá)系統(tǒng)?；跈C(jī)器視覺車間距離測量方法的優(yōu)點(diǎn)是探測環(huán)境范圍寬、獲取目標(biāo)信息完整，缺點(diǎn)是實(shí)時(shí)性差、運(yùn)算量大、準(zhǔn)確度低。有研究通過基于機(jī)器視覺的車間距離測量方法實(shí)現(xiàn)了圖像中車輛目標(biāo)的識別[13]，進(jìn)一步地，通過該方法檢測車輛的尾部來判斷車輛目標(biāo)[14]。相比機(jī)器視覺測距，基于車載雷達(dá)系統(tǒng)車間距離測量方法的優(yōu)點(diǎn)是結(jié)構(gòu)簡單、發(fā)射功率低、分辨率與靈敏度高、抗干擾能力強(qiáng)；缺點(diǎn)是裝置清潔度要求高、成本高。有研究通過毫米波雷達(dá)相控陣的方法來對車輛目標(biāo)進(jìn)行檢測，模擬幾種典型交通情況下毫米波雷達(dá)的應(yīng)用[15]。進(jìn)一步地，提出了一種基于毫米波雷達(dá)探測的汽車自動(dòng)避障控制系統(tǒng)，用雷達(dá)探測方法進(jìn)行障礙物方位信息估計(jì)，最終實(shí)現(xiàn)汽車的自動(dòng)避障[16]。

2.3.2? 車速測量

當(dāng)前車速的獲取主要有直接法和間接法。直接法雖精度高，但高昂的成本限制其發(fā)展與應(yīng)用，目前汽車主要是通過間接法來測量車速。如線性卡爾曼濾波法主要是針對低自由度汽車模型進(jìn)行車速估計(jì)；非線性卡爾曼濾波法主要是針對高自由度汽車模型進(jìn)行車速估計(jì)。

2.3.3? 路面信息獲取

路面信息獲取主要是獲取路面附著系數(shù)。當(dāng)前對路面附著系數(shù)的估計(jì)，主要有基于原因法和基于結(jié)果法，前者無需考慮車輛自身的因素，只需利用傳感器直接識別路面參數(shù)，后者是基于路面條件變化，以整車響應(yīng)來估算摩擦系數(shù)的大小。有研究采用帶有加速度計(jì)和全球定位系統(tǒng)傳感器來測量在品質(zhì)差的路面上行駛對汽車的影響[17]，進(jìn)一步地，通過比例-積分-微分（PID）控制有效地辨識出路面的附著系數(shù)[18]。

2.3.4? 行車信息處理

因行車感知的信息中通常含有一定的噪聲，需進(jìn)行處理才能準(zhǔn)確獲取目標(biāo)信息，行車信息處理技術(shù)應(yīng)運(yùn)而生。國內(nèi)外學(xué)者主要通過卡爾曼濾波技術(shù)對行車信息進(jìn)行處理，如通過設(shè)計(jì)分析n維卡爾曼濾波方程和控制卡爾曼算法去除測量噪聲[19]，進(jìn)一步地，為提高噪聲處理能力，采用改進(jìn)的交互式卡爾曼濾波算法對雷達(dá)測量產(chǎn)生的噪聲信號進(jìn)行處理[20]。

2.4? 車輛動(dòng)力學(xué)

智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)在車輛動(dòng)力學(xué)方向的研究主要集中在建模和控制兩個(gè)方面。

關(guān)于車輛動(dòng)力學(xué)系統(tǒng)建模，主要是搭建多自由度車輛縱向動(dòng)力學(xué)系統(tǒng)模型。以4自由度為例，通過建立自由剛體微分方程，充分考慮了車輛的轉(zhuǎn)向和制動(dòng)情況。進(jìn)一步地，5自由度，如通過節(jié)氣門的輸入實(shí)驗(yàn)，模擬整車運(yùn)動(dòng)的過程中觀察車輛車輪的速度和車輪的縱向滑移[21]。進(jìn)一步地，有關(guān)7自由度整車動(dòng)力學(xué)模型的研究更多，因?yàn)樵撃Ｐ头€(wěn)定性好，能大大提高汽車主動(dòng)避撞系統(tǒng)的避撞能力，如通過給出前輪轉(zhuǎn)角的正弦曲線對車輛的操縱穩(wěn)定性進(jìn)行了驗(yàn)證分析；如采用滑模觀測器估計(jì)車輛的運(yùn)動(dòng)特性；再如運(yùn)用模型簡化方法，同時(shí)建立電池模型和永磁同步電機(jī)模型[22]。更進(jìn)一步地，有研究搭建車輛9自由度穩(wěn)態(tài)動(dòng)力學(xué)模型和10自由度車輛動(dòng)力學(xué)模型，這兩種模型不僅提高了汽車的避撞能力，同時(shí)改善了汽車行駛時(shí)的平順性。

關(guān)于車輛動(dòng)力學(xué)控制，其是通過設(shè)計(jì)的控制器來對車輛性能的參數(shù)進(jìn)行調(diào)節(jié)。汽車縱向動(dòng)力學(xué)控制分為直接式控制和分層式控制兩大類，具體如圖1所示[11]。當(dāng)前國內(nèi)外在該方面的研究都以分層式控制結(jié)構(gòu)為主。以國外的一項(xiàng)研究成果為例，其采用的是分層式控制結(jié)構(gòu)，由縱橫向動(dòng)力學(xué)的結(jié)合設(shè)計(jì)了車輛縱向速度預(yù)測控制器和第二預(yù)測控制器[23]。以國內(nèi)的一項(xiàng)研究成果為例，其采用分層式控制器結(jié)構(gòu)設(shè)計(jì)了整車控制策略，設(shè)計(jì)了縱向力分配的控制算法[24]。

2.5? 差異化預(yù)警

差異化預(yù)警方法因其差異化特征的不同而不同，如有研究認(rèn)為駕駛員因其年齡、性別、性格以及駕齡等因素的差異有著不同的駕駛特性[25]。進(jìn)一步地，對每位駕駛員釋放加速踏板和制動(dòng)啟動(dòng)時(shí)刻的TTC值進(jìn)行聚類分析[26]。更進(jìn)一步地，利用BP神經(jīng)網(wǎng)絡(luò)對不同駕駛員群體的制動(dòng)深度、駕駛員反應(yīng)時(shí)間等特征參數(shù)進(jìn)行學(xué)習(xí)[27]，其縱向避撞安全輔助系統(tǒng)設(shè)計(jì)如圖2所示。

2.6? 優(yōu)化算法

當(dāng)前通過優(yōu)化算法來提高智能網(wǎng)聯(lián)汽車主動(dòng)避撞能力的研究越來越多，這些算法往往基于不同的角度或不同的理論。為幫助駕駛?cè)烁玫匾?guī)避潛在危險(xiǎn)，一種基于TAP參數(shù)的汽車避撞系統(tǒng)算法被提出，其充分考慮駕駛?cè)艘蛩?，選擇了算法的報(bào)警方法[28]。進(jìn)一步地，為比較多種算法的優(yōu)越性，有研究對比了5種AEB算法對避免縱向碰撞仿真驗(yàn)證制動(dòng)效果，這5種算法中，以即碰時(shí)間的TTC算法的縱向避撞性能最優(yōu)[29]。還有研究突破了傳統(tǒng)汽車主動(dòng)避撞算法主要基于后車制動(dòng)實(shí)現(xiàn)的局限性，利用車車通信獲取前車信息計(jì)算理想車間距，通過分配前后車加速度來完成協(xié)同主動(dòng)避撞[30]，這種基于滑模控制的車車協(xié)同主動(dòng)避撞算法彌補(bǔ)了傳統(tǒng)算法的不足。但是以上研究內(nèi)容都無法適應(yīng)不同的路面條件，為此，提出了一種適應(yīng)不同路面條件的換道避撞控制與自適應(yīng)巡航控制相結(jié)合的控制算法，它基于PreScan 軟件搭建緊急避撞場景模型，利用遞推最小二乘法進(jìn)行路面辨識[31]。

近幾年，避障算法主要集中在人工勢場算法、基于圖片搜索算法、智能優(yōu)化算法、協(xié)同算法。以人工勢場算法為例，通過在人工勢場函數(shù)中加入一個(gè)由目標(biāo)點(diǎn)與車輛之間的距離得到的調(diào)節(jié)因子，使得局部目標(biāo)點(diǎn)一直處于對稱軸線上，從而避免了局部最小值[32]。進(jìn)一步地，有研究人員通過在人工勢場算法的基礎(chǔ)上建立虛擬力場作用域，另外通過定義斥力函數(shù)，將速度、質(zhì)量等因素考慮進(jìn)去[33]，其所建立的汽車模型參數(shù)如表2所示。以基于圖片搜索算法為例，有研究人員先應(yīng)用半定規(guī)劃的迭代區(qū)域膨脹算法進(jìn)行多次凸優(yōu)化從而得到合理的內(nèi)切橢圓，再通過A星算法得到內(nèi)切橢圓中的最優(yōu)路徑[34]。以智能優(yōu)化算法為例，其包括模糊邏輯算法、遺傳算法、蟻群算法、快速擴(kuò)展隨機(jī)樹算法、神經(jīng)網(wǎng)絡(luò)算法、粒子群算法等。以協(xié)同算法為例，有研究人員利用離散高斯卷積算法結(jié)合基于移動(dòng)障礙運(yùn)動(dòng)狀態(tài)估計(jì)的局部路徑規(guī)劃算法，在多條規(guī)劃路徑中選取最優(yōu)避撞路徑[35]。進(jìn)一步地，為將損失最小化，通過蒙特卡洛算法求得碰撞概率。

3? 智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)的研究趨勢

通過對以上智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)研究文獻(xiàn)的分析與總結(jié)，結(jié)合政策工具，本文預(yù)測未來該領(lǐng)域的研究更加趨向于優(yōu)化算法、擴(kuò)大應(yīng)用范圍等方面，具體如下。

3.1? 研究算法逐步優(yōu)化

無論是傳統(tǒng)算法還是智能算法都有不足之處。以基于圖片搜索算法為例，其得到的最優(yōu)路徑比較準(zhǔn)確，但計(jì)算過程復(fù)雜；以人工勢場算法為例，其實(shí)時(shí)性雖好，但局部最小化問題較為嚴(yán)重；以智能算法為例，其具有主動(dòng)學(xué)習(xí)功能，但泛化能力差。未來算法將被逐步優(yōu)化，并且多種算法協(xié)同避障成為了人們越來越關(guān)注的研究方向。

3.2? 研究深度逐步加大

在行車安全狀態(tài)判斷方面，現(xiàn)有的汽車主動(dòng)避撞系統(tǒng)大多準(zhǔn)確性能差，難于獲取行車時(shí)的關(guān)鍵參數(shù)，對駕駛員的主觀感受等因素也考慮不夠，未來會(huì)加大研究深度，統(tǒng)籌考慮多種因素。現(xiàn)有的很多避撞安全距離模型較為單一，未來將會(huì)針對安全距離模型應(yīng)用新的算法或技術(shù)，將會(huì)加深研究力度。目前針對汽車路徑規(guī)劃與跟蹤控制的研究，大多不能滿足實(shí)時(shí)性要求，未來該方面的研究也將深入考慮實(shí)時(shí)效應(yīng)。

3.3? 研究范圍逐步拓展

汽車更容易在低附著系數(shù)的路面發(fā)生交通事故，未來不僅是研究高附著系數(shù)路面上汽車行駛時(shí)的避撞問題，針對低附著系數(shù)路面避撞問題的研究將逐步增加。當(dāng)前多數(shù)車企在制定AEB主動(dòng)避撞策略時(shí)忽略了一個(gè)重要因素，即自車車速較大時(shí)發(fā)生碰撞的可能性會(huì)增加，未來研究范圍將擴(kuò)展到自車行駛速度較大時(shí)的避撞問題。輪胎附著力是影響安全距離測量的重要因素，已有研究中考慮該因素的較少，導(dǎo)致測得的安全距離偏大，未來針對該問題的研究將逐漸增多。汽車實(shí)際行駛時(shí)需綜合考慮縱向制動(dòng)和轉(zhuǎn)向換道，所以研究范圍亟待拓展，預(yù)測未來汽車縱橫向相結(jié)合的避撞問題將成為研究熱點(diǎn)。

3.4? 四化程度逐步提高

這里的四化是指智能化、集成化、復(fù)雜化與信息化。越來越多的人工智能技術(shù)在汽車主動(dòng)避撞系統(tǒng)中得以應(yīng)用，汽車主動(dòng)避撞技術(shù)的智能化程度越來越高。將主、被動(dòng)安全技術(shù)有機(jī)地結(jié)合在一起，汽車主動(dòng)避撞系統(tǒng)的集成化程度越來越高。應(yīng)用到汽車主動(dòng)避撞系統(tǒng)的控制器控制算法日趨復(fù)雜，避撞系統(tǒng)自身也更加復(fù)雜，其所包含的零部件逐漸增多，汽車主動(dòng)避撞系統(tǒng)復(fù)雜化程度和電子化程度越來越高。

4? 結(jié)束語

當(dāng)前有關(guān)智能網(wǎng)聯(lián)汽車主動(dòng)避撞技術(shù)研究的文章越來越多，涉及到多種算法、多種技術(shù)的應(yīng)用，還有從控制策略和車輛系統(tǒng)動(dòng)力學(xué)的角度出發(fā)，綜合了行車信息感知與處理技術(shù)。未來該領(lǐng)域的研究人員應(yīng)綜合多種算法或綜合多個(gè)角度進(jìn)行研究，單一的算法已無法滿足現(xiàn)實(shí)需求。此外，通過對比研究，可以發(fā)現(xiàn)國內(nèi)在該領(lǐng)域的研究成果相比國外有一定的差距，鑒于中國道路交通情況的復(fù)雜性以及當(dāng)代社會(huì)對人身安全提出了更高的要求，提高智能網(wǎng)聯(lián)汽車的主動(dòng)避撞能力具有十分重要的現(xiàn)實(shí)意義，國內(nèi)該領(lǐng)域的研究人員任重而道遠(yuǎn)。

參考文獻(xiàn)：

[1] 趙瑞. 基于狀態(tài)估計(jì)方法的車輛主動(dòng)避撞控制策略研究[D]. 重慶：重慶理工大學(xué)，2022.

[2] 李立，徐志剛，趙祥模，等. 智能網(wǎng)聯(lián)汽車運(yùn)動(dòng)規(guī)劃方法研究綜述[J]. 中國公路學(xué)報(bào)，2019，32（6）：20-33.

[3] 胡遠(yuǎn)志，呂章潔，劉西. 基于PreScan的AEB系統(tǒng)縱向避撞算法及仿真驗(yàn)證[J]. 汽車安全與節(jié)能學(xué)報(bào)，2017，8（2）：136-142.

[4] CHOI C，KANG Y. Simultaneous braking and steering control method based on nonlinear model predictive control for emergency driving support[J]. International Journal of Control，Automation and Systems，2019，15（1）：345-353.

[5] FILDES B，KEALL M，BOS N，et al. Effectiveness of low speed autonomous emergency braking in real-world rear-end crashes[J]. Accident Analysis and Prevention，2020（81）：24-29.

[6] SATHIYAN SS P，KUMAR S S，SELVAKUMAR A I. Optimisedfuzzy controller for improved comfort level during transitions incruise and adaptive cruise control vehicles[C]//Proceedings of the 2021 International Conference on Signal Processing andCommunication Engineering Systems. Piscataway：IEEE，2021：86-91.

[7] 丁建峰，關(guān)志偉，杜峰，等. 基于安全距離模型的車輛跟隨控制與仿真[J]. 天津職業(yè)技術(shù)師范大學(xué)學(xué)報(bào)，2017，27（3）：24-29.

[8] 胡守俍. 基于安全距離模型的AEB系統(tǒng)仿真研究[J]. 汽車實(shí)用技術(shù)，2020（8）：35-37.

[9] 來飛，黃超群，董紅亮. 智能汽車自動(dòng)緊急避撞系統(tǒng)的安全距離模型及其對比分析[J]. 重慶理工大學(xué)學(xué)報(bào)（自然科學(xué)），2020，34（9）：39-46.

[10] 劉貴如，周鳴爭，王陸林，等. 城市工況下最小安全車距控制模型和避撞算法[J]. 汽車工程，2016，38（10）：1200-1205，1176.

[11] 廉宇峰，張濤燾，黃嘉南，等. 汽車縱向主動(dòng)避撞系統(tǒng)的研究現(xiàn)狀與展望[J]. 計(jì)算機(jī)應(yīng)用，2021，41（S1）：264-271.

[12] 宮銘錢，冀杰，種一帆，等. 基于激光雷達(dá)和視覺信息融合的車輛識別與跟蹤[J]. 汽車技術(shù)，2020（11）：8-15.

[13] SIVARAMAN S，TRIVEDI M M.Active learning for on-road vehicle detection：a comparative study[J]. Machine Vision and Applications，2019，25（3）：599-611.

[14] CUI C J，LIU F，LI Z，et al. Vehiclelocalisation using a single camera[C]//Proceedings of the 2010 Conference on IntelligentVehicles Symposium. Piscataway：IEEE，2020：871-876.

[15] DUDEK M，KISSINGER D，WEIGEL R，et al. A versatilesystem simulation environment for millimeter-wave phased-arrayFMCW-radar sensors for automotive applications[C]//Proceedingsof the 2011 Conference on Asia-Pacific Microwave. Piscataway：IEEE，2017：1478-1481.

[16] 黃智勇. 基于毫米波雷達(dá)的汽車自動(dòng)避障控制系統(tǒng)研究[J]. 佳木斯大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，37（4）：580-584.

[17] LIMA L C，AMORIM V J P，PEREIRA I M，et al. Usingcrowdsourcing techniques and mobile devices for asphalticpavement quality recognition[C]// Proceedings of the 2016 Brazilian Symposium on Computing Systems Engineering.Piscataway：IEEE，2020：144-149.

[18] 袁朝春，張龍飛，陳龍，等. 基于路面辨識的主動(dòng)避撞系統(tǒng)制動(dòng)性能[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版），2018，48（2）：407-414.

[19] RAJ K S D，KRISHHA I M. Kalman filter based target tracking fortrack while scan data processing[C]//Proceedings of the 2ndInternational Conference on Electronics and CommunicationSystems. Piscataway：IEEE，2018：878-883.

[20] 劉全周，賈鵬飛，李占旗，等. 改進(jìn)的交互式卡爾曼濾波對雷達(dá)數(shù)據(jù)處理技術(shù)研究[J]. 機(jī)械科學(xué)與技術(shù)，2020，39（8）：1248-1255.

[21] SATAR M I，HUDHA K，MAT W，et al. Modelling andverification of 5 degree of freedom vehicle longitudinal model[C]//Proceedings of the 10 th Conference on Asian Control.Piscataway：IEEE，2015：1-6.

[22] 閆丹彤. 電動(dòng)汽車主動(dòng)避撞控制系統(tǒng)建模與仿真研究[D]. 長沙：湖南大學(xué)，2015：11-20.

[23] PAUCA O，CARUNTU C F，LAZAR C. Predictive control for thelateral and longitudinal dynamics in automated vehicles[C]//Proceedings of the 23rd International Conference on SystemTheory，Control and Computing. Piscataway：IEEE，2019：797-802.

[24] 蘇昊，余卓平，熊璐，等. 分布式驅(qū)動(dòng)純電動(dòng)SUV車輛控制策略研究[J]. 合肥工業(yè)大學(xué)學(xué)報(bào)（自然科學(xué)版），2019，42（4）：439-444.

[25] 房曰榮. 不同類別駕駛員的駕駛行為特性差異實(shí)驗(yàn)研究[J]. 安全與環(huán)境工程，2020，27（5）：204-208.

[26] WANG J Q，YU C F，LI S E，et al. A forward collision warning algorithm with adaptation to driver behaviors[J]. IEEE Transactions on Intelligent Transportation Systems，2021，17（4）：1157-1167.

[27] 章軍輝，李慶，陳大鵬. 基于BP神經(jīng)網(wǎng)絡(luò)的縱向避撞安全輔助算法[J]. 西安交通大學(xué)學(xué)報(bào)，2017，51（7）：140-147.

[28] 張瓊，郭應(yīng)時(shí)，孫浩，等. 基于TAP參數(shù)的汽車避撞系統(tǒng)算法的優(yōu)化與仿真[J]. 計(jì)算機(jī)工程與設(shè)計(jì)，2012，33（12）：4652-4656.

[29] 胡遠(yuǎn)志，呂章潔，劉西. 基于PreScan的AEB系統(tǒng)縱向避撞算法及仿真驗(yàn)證[J]. 汽車安全與節(jié)能學(xué)報(bào)，2017，8（2）：136-142.

[30] 王龐偉，余貴珍，王云鵬，等. 基于滑?？刂频能囓噮f(xié)同主動(dòng)避撞算法[J]. 北京航空航天大學(xué)學(xué)報(bào)，2014，40（2）：268-273.

[31] 魏民祥，嚴(yán)明月，汪? ，等. 基于路面識別的汽車緊急避撞控制算法[J]. 汽車安全與節(jié)能學(xué)報(bào)，2017，8（4）：359-366.

[32] 安林芳，陳濤，成艾國，等. 基于人工勢場算法的智能車輛路徑規(guī)劃仿真[J]. 汽車工程，2017，39（12）：1451-1456.

[33] 王樹鳳，張鈞鑫，劉宗鋒. 基于改進(jìn)人工勢場法的智能車輛超車路徑規(guī)劃研究[J]. 汽車技術(shù)，2018（3）：5-9.

[34] 陳光榮，郭盛，王軍政，等. 凸優(yōu)化和A*算法結(jié)合的路徑避障算法[J]. 控制與決策，2020，35（12）：2907-2914.

[35] 彭曉燕，謝浩，黃晶. 無人駕駛汽車局部路徑規(guī)劃算法研究[J]. 汽車工程，2020，42（1）：1-10.

（編輯? 楊? 景）