汽车技术

参数	取值	参数	取值
R(t)/(°)	60~120	a₁/m∙s^-2	$\frac{2\sqrt{2}}{3} $μg
前、后转向盘转角差值/(°)	≤3	a₂/m∙s^-2	$\frac{1}{3}$ μg
Δt/s	0.05	g/m∙s^-2	9.8
k	0.05

参数	取值	参数	取值
R(t)/(°)	60~120	a₁/m∙s^-2	$\frac{2\sqrt{2}}{3} $μg
前、后转向盘转角差值/(°)	≤3	a₂/m∙s^-2	$\frac{1}{3}$ μg
Δt/s	0.05	g/m∙s^-2	9.8
k	0.05

制动等级	速度/km∙h^-1	制动阈值	制动力/%
Level 0	[0,30]	2T_cep	100
Level 1	(30,50]	4T_cep	40
2T_cep	100
Level 2	(50,+∞)	6T_cep	警告不制动
4T_cep	40
2T_cep	100

制动等级	速度/km∙h^-1	制动阈值	制动力/%
Level 0	[0,30]	2T_cep	100
Level 1	(30,50]	4T_cep	40
2T_cep	100
Level 2	(50,+∞)	6T_cep	警告不制动
4T_cep	40
2T_cep	100

制动等级	速度/km∙h^-1	制动阈值/s	制动力/%
Level 0	[0,30]	0.95	100
Level 1	(30,50]	1.2	50
0.81	100
Level 2	(50,+∞)	1.5	65
0.76	100

制动等级	速度/km∙h^-1	制动阈值/s	制动力/%
Level 0	[0,30]	0.95	100
Level 1	(30,50]	1.2	50
0.81	100
Level 2	(50,+∞)	1.5	65
0.76	100

基于避险临界点的行车危险识别与制动策略研究^*

PDF下载

朱彤 ¹ , 张卓 ¹ , 张贇兴 ¹ , 赵云飞 ¹ , 李晓虎 ²

汽车技术 | 智能驾驶车辆避障策略专题 2025,(7): 23-30

收起

汽车技术 | 智能驾驶车辆避障策略专题 2025, (7): 23-30

基于避险临界点的行车危险识别与制动策略研究^*

全屏

朱彤¹, 张卓¹, 张贇兴¹, 赵云飞¹, 李晓虎²

作者信息

¹ 长安大学运输工程学院，西安 710064

² 中国汽车技术研究中心有限公司，天津 300300

通讯作者:

朱彤（1977—），副教授，主要研究方向为交通规划、交通安全及智能交通，zhutong@chd.edu.cn。

Research on Driving Hazard Identification and Braking Strategy Based on Collision Evasion Point

Tong Zhu¹, Zhuo Zhang¹, Yunxing Zhang¹, Yunfei Zhao¹, Xiaohu Li²

Affiliations

¹ School of Transportation Engineering, Chang'an University, Xi'an 710064

² China Automotive Technology and Research Center, Tianjin 300300

出版时间: 2025-07-24 doi: 10.19620/j.cnki.1000-3703.20240896

文章导航

摘要

收起

为了量化车辆行驶风险并制定安全的制动策略，提出避险临界点理念并构建车辆直行与转向场景下避险临界点的数学模型。根据避险临界点定义行车风险表征指标，量化车辆行驶风险；通过对中国道路交通事故深度调查（CIDAS）数据库中116起事故案例分类，使用风险表征指标筛选高危案例；基于行车制动时间指标，提出车辆动态制动策略。试验结果表明：在各类高危场景中，相较于基于碰撞时间（TTC）的制动策略，提出的风险表征指标能够更好地识别交通场景风险，制动策略时间更合理、速度曲线更平缓，从而避免事故发生。

关键词

车辆安全 / 实时风险 / 高危场景识别 / 制动策略 / 避险临界模型

Abstract

收起

To quantify driving risk and develop a safe braking strategy, this paper introduces the concept of Collision Evasion Point (CEP) and builds mathematical models for straight-driving and turning scenarios. Using the CEP, a risk-representation index is defined to quantify driving risk. Moreover, 116 accident cases from China In-Depth Accident Study (CIDAS) database are classified, and the risk representation index is applied to identify high-risk cases. Finally, a dynamic braking strategy based on the braking-time indicator is proposed. Test results show that, across various high-risk scenarios, the proposed risk representation index outperforms Time-to-Collision (TTC) based strategy in identifying scene-level risk, while the braking strategy achieves more reasonable braking times and smoother speed profiles, thereby better avoiding collisions.

Key words

Vehicle safety / Real-time risk / High-risk scenario identification / Braking strategy / Critical risk-avoidance model

引用本文

朱彤, 张卓, 张贇兴, 赵云飞, 李晓虎. 基于避险临界点的行车危险识别与制动策略研究^*. 汽车技术, 2025 , (7) : 23 -30 . DOI: 10.19620/j.cnki.1000-3703.20240896

Tong Zhu, Zhuo Zhang, Yunxing Zhang, Yunfei Zhao, Xiaohu Li. Research on Driving Hazard Identification and Braking Strategy Based on Collision Evasion Point[J]. Automobile Technology, 2025 , (7) : 23 -30 . DOI: 10.19620/j.cnki.1000-3703.20240896

正文

收起

1 前言

收起

近年来，我国道路交通安全形势不容乐观，及时识别行车风险并触发制动对于降低事故率、减轻事故损伤至关重要^[1-2]。虽然现阶段车辆已配备车道偏离预警系统、高级驾驶辅助系统等主动安全技术，但风险评估与制动决策模块的可靠性仍有待提升^[3-4]。

准确地表征风险是自动驾驶汽车安全性能提升的基础与关键^[5]。现有研究多从不同角度考虑行车风险，通过安全距离指标^[6]、距碰撞发生时间指标^[7]及驾驶员主观认知判断指标^[8]等评价指标表征风险并制定了一系列碰撞预测策略。张宇丰等^[9]基于碰撞时间（Time To Collision，TTC）与安全距离模型协同，对车辆进行控制以避免碰撞；杨贺博等^[10]考虑自车车速，优化了TTC阈值及制动控制策略；郭祥靖等^[11]基于反向传播神经网络对TTC进行预测，并以此制定控制策略；赵林峰等^[12]提出了考虑车辆运动状态和路面附着系数等因素的改进安全距离模型。

然而，现有方法通过当前时刻车辆的时空风险程度表征运行风险，包括车辆行驶的空间、时间相对位置以及驾驶员主观风险认知能力等，未考虑当前环境中车辆的风险规避能力，故需综合考虑车辆时空接近程度及避险能力、环境要素等方面，设计表征车辆当前的行车风险的指标。同时，自动驾驶测试场景从单一的纵向安全控制测评，如前车静止^[13]、前车慢行^[14]等，逐步发展到汽车转向场景。以TTC为风险指标的制动控制算法在主车转向场景的测试较少，且缺乏对车辆-二轮车的相关场景测试。

因此，为了适用车辆-二轮车不同运行场景的风险评估指标和测试分析，优化车辆风险识别与制动效果，本文提出避险临界点，对车辆行驶场景风险进行量化，基于避险临界点时间指标制定自动驾驶动态制动控制策略。同时，在主车转向、主车直行等不同碰撞姿态场景中验证所提出策略的有效性。

2 基于避险临界点的风险测度

收起

2.1 避险临界点定义

依照驾驶环境信息动态评估车辆的碰撞风险，是保证车辆安全行驶的重要环节。在行车过程中，碰撞风险持续存在且随行车条件不断变化。为了定量描述行车风险，常采用TTC指标进行评价，但该指标无法区分干燥路面与冰雪路面的风险差异，忽略了驾驶员转向避开事故发生的可能。因此，需引入体现车辆避险能力的风险评价指标，准确识别并量化不同驾驶环境中的碰撞风险。

本文提出避险临界点（Collision Evasion Point，CEP），其基本思想为：车辆在行驶中持续存在行车风险，当风险累积到一定程度时，将会发生危险。为了表征风险与危险的界限，将P_cep作为分界点，如图1所示。

当车辆在时空上越过P_cep点，即使驾驶人同时采用多种应急避险（如全力制动、转向等）措施，仍无法避免碰撞发生。确定避险临界点后，将当前主车位置与避险临界点间的行驶时间T_gap作为行车风险表征指标，即车辆距离P_cep点越近，可采取避险措施避免碰撞的可能性越小，从而越难以避免事故发生。同时，将P_cep点到预碰撞点的行驶时间T_cep作为车辆制动时间指标，来制定车辆的制动策略。

2.2 避险临界点的计算

2.2.1 主车直行避险临界点

在主车直行条件下，以初始时刻的主车位置为坐标原点，主车运动方向为x₁轴，与其垂直方向为x₂轴建立坐标系，构建避险临界点数学模型，如图2所示。其中：d₁、d₂分别为汽车宽度和二轮车长度；v₁、v₂分别为汽车和二轮车的速度；θ为v₂与x₁轴的夹角；m为两车在x₁轴投影的距离；c为二轮车与x₁轴的垂直距离；L_x1、L_x2分别为某时刻汽车和二轮车在x₂轴方向的位移；a₁、a₂分别为汽车纵向和横向最大加/减速度；μ为路面的附着系数，决定路面为车辆提供的最大制动力。

为了避免车辆碰撞，需满足以下情况中任意一项：

a. 情况1：主车减速避开二轮车，当主车减速后的车速不超过二轮车同向运行速度时，自减速起的行驶距离不超过起始时刻车辆间距离。

b. 情况2：主车同向转向避开二轮车（主车与二轮车在x₂轴的横向位移方向一致），见图3a。

c. 情况3：主车反向转向避开二轮车（主车与二轮车在x₂轴的横向位移方向相反），见图3b。

根据数学模型，3种情况可分别表示为：

（1）

$\left\{\begin{array}{l}{v}_{1}^{2}\le {v}_{2}^{2}co{s}^{2}\theta +2{a}_{1}\mu gm\\ {L}_{x1}-{d}_{1}/2-\left({d}_{2}sin\theta \right)/2+c\ge {L}_{x2}\\ {L}_{x1}+{L}_{x2}\le c-{d}_{1}/2-\left({d}_{2}sin\theta \right)/2\end{array}\right.$

其中，

$\left\{\begin{array}{l}{L}_{x1}={t}^{2}{a}_{2}/2\\ {L}_{x2}={v}_{2}t\bullet sin\theta \end{array}\right.$

。

车辆从初始位置出发，如果满足上述情况，说明主车仍有避免碰撞的可能，此时m未达到避免碰撞的最小值。重复上述过程，减小m至最小值，使车辆不符合避撞条件，则无法避免碰撞，此时，临界距离m_cep=m。

2.2.2 主车转向避险临界点

相较于直线行驶，主车转向夹角的变化具有随机性，难以直接计算结果。因此，需要使用迭代计算模型模拟车辆的运动情况。

在主车转向的条件下，以初始时刻二轮车位置为坐标原点，二轮车行驶方向为x₁轴，与其垂直方向为x₂轴建立坐标系，构建避险临界点数学模型，如图4所示。其中，d₃为主车的长度，θ为二轮车速度与x₂轴的夹角，x₀为二轮车中心点到主车投影至x₁轴中心点的距离，y₀为主车中心点到投影至x₁轴的距离，x(t)、y(t)分别为t时刻车辆沿x₁轴、x₂轴方向的累计路程。

将汽车的速度沿x₁、x₂轴分解，得到

$\left\{\begin{array}{l}{v}_{x}\left(t\right)={v}_{1}\left(t\right)cos\theta \left(t\right)-{a}_{x}\left(t\right)\Delta t\\ {v}_{y}\left(t\right)={v}_{1}\left(t\right)sin\theta \left(t\right)-{a}_{y}\left(t\right)\Delta t\end{array}\right.$

，角速度为

$\omega \left(t\right)=k\bullet R\left(t\right)$

，其中，k为转向灵敏度系数，R(t)为转向盘转角。

已知车辆的位置，即确定初始y₀，分别计算后一时刻主车的位移、速度和加速度：

（2）

$\left\{\begin{array}{l}{v}_{1}(t+\Delta t)=\sqrt{{v}_{x}{\left(t\right)}^{2}+{v}_{y}{\left(t\right)}^{2}}\\ x(t+\Delta t)=x\left(t\right)+{v}_{x}\left(t\right)·\Delta t\\ y\left(t+\Delta t\right)=y\left(t\right)+{v}_{y}\left(t\right)·\Delta t\\ \theta (t+\Delta t)=\theta \left(t\right)-\omega \left(t\right)·\Delta t\\ {a}_{{y}_{1}}\left(t\right)={a}_{1}·sin\theta \left(t\right)\\ {a}_{{x}_{1}}\left(t\right)={a}_{1}·cos\theta \left(t\right)\\ {a}_{{y}_{2}}\left(t\right)={a}_{2}·cos\theta \left(t\right)\\ {a}_{{x}_{2}}\left(t\right)={a}_{2}·sin\theta \left(t\right)\\ {a}_{x}\left(t\right)={a}_{{x}_{1}}\left(t\right)+{a}_{{x}_{2}}\left(t\right)\\ {a}_{y}\left(t\right)={a}_{{y}_{1}}\left(t\right)+{a}_{{y}_{2}}\left(t\right)\end{array}\right.$

在寻找避险临界点的过程中，若y₀自初始值判断为非避险临界点，则继续向x₁轴逼近Δm，并采用循环迭代方法，直至某点被判定为避险临界点结束循环。

初始状态x(t)=0、y(t)=0、θ(t)=θ，迭代时间步长为Δt，每增加一次步长，计算本轮主车的位置、速度和加速度，并根据以下循环判断条件进行判断，临界条件如图5所示：

a. 情况4：当主车x₁方向的速度降低至0时，该方向位移小于初始间距y₀，即当v_y(t)=0时，判断y(t)≤y₀是否成立。

b. 情况5：若y(t)≤y₀且y(t+Δt)>y₀，计算t时刻车辆和二轮车在空间上碰撞情况。如果公式（3）成立，则避免碰撞。

（3）

$\left\{\begin{array}{l}{v}_{2}·t-{x}_{0}-x\left(t\right)0.5{d}_{2}+{d}_{3}cos\theta \left(t\right)\\ x\left(t\right)-{v}_{2}·t+{x}_{0}0.5{d}_{2}+{d}_{3}cos\theta \left(t\right)\end{array}\right.$

若满足上述条件之一，继续进行迭代计算，逐渐减小车辆与x₁轴的距离，再次验证上述条件，直到找到均不满足的y值，其中，y=y₀-Δy；若均不符合，则车辆位于避险临界点，迭代终止。此时，主车到x₁轴的距离y_cep，通过最终夹角θ_cep，计算该时刻避险临界点与预碰撞点的距离

${m}_{cep}=\frac{{y}_{cep}}{sin\left({\theta }_{cep}\right)}$

。

2.3 基于避险临界点的风险评价指标

为了表征主车发生事故的风险程度，本文将车辆当前位置与避险临界点间的行驶时间T_gap作为风险评价指标，如图6所示。

当距避险临界点时间越久，车辆发现危险、进行避险操作的预留时间越长，发生事故的风险越低；反之，则风险更高。T_gap可表示为：

（4）

$\left\{\begin{array}{l}{T}_{gap}={T}_{0}-{T}_{cep}\\ {T}_{cep}=\frac{{m}_{cep}}{{v}_{0}}\end{array}\right.$

式中：m_cep为避险临界点与预碰撞点间的空间距离，T₀为车辆初始位置到预碰撞点的总运动时间，v₀为两车在m_cep方向上的相对速度。

此外，T_cep还可作为车辆制动策略的时间指标，通过使用T_gap进行案例选取，进一步讨论该指标在制动控制策略优化中的应用。

3 高危险度事故案例选取

收起

3.1 事故数据提取

基于T_gap指标挑选车辆-二轮车事故案例中的高危险度案例，验证制动策略的有效性。本文将中国道路交通事故深度调查（China In-Depth Accident Study，CIDAS）中临碰撞前（Pre-Crash）数据集作为场景识别和控制策略优化的研究基础。该数据集基于CIDAS获取的现场记录，采用事故重建技术，复现事故发生前场景，并提取复现场景数据，主要包括：主车及相关车辆位置、运行轨迹、碰撞位置、碰撞姿态、周边环境等。

本文数据集选取116起汽车-二轮车碰撞事故场景，根据事故前的主车行驶状态，将场景分为主车直行和转向2类场景。

3.2 风险量化计算与高危案例挑选

基于T_gap计算各事故场景某时刻的运行风险，其中，各事故案例均从距事故发生前2 s开始进行风险迭代计算，计算参数取值如表1所示。

在计算事故案例时，附着系数k使用案例提供数值，但实际过程中需要根据道路情况进行动态调整。参考文献[15]基于交互式多模型的自适应无迹卡尔曼滤波（IMM-AUKF）路面附着系数估计方法，实时地估计路面附着系数μ，并在数学模型中迭代计算。因此，不同事故场景的T_gap计算结果如图7所示。

从TTC的角度，所有案例均从碰撞前2 s计算风险度，表明风险评估时所有案例的风险度相同。但T_gap产生了明显差异，说明T_gap能够较好地识别出TTC难以识别的风险，能够减缓事故严重度、乘员损伤程度。由图7可知，大部分事故场景的T_gap集中在1.2~2 s，主车直线行驶的场景中部分T_gap<1 s，主车转向场景T_gap集中在1.4~2 s，最危险的案例集中在1.5 s附近。T_gap的极差约为0.5 s，符合驾驶员的反应时间。

依据计算结果，选取各类型中T_gap最大或最小（即风险最大或最小）的案例，作为后文自动驾驶制动策略测试的案例。

4 自动驾驶制动策略测试

收起

4.1 测试环境构建

本文需在仿真环境中搭建事故场景，如图8所示，仿真场景的主要搭建流程为：首先，将CIDAS临碰撞数据集的事故再现文件（之前采用PC-Crash生成）导入PreScan仿真环境中，生成基础事故场景；然后，完善基础事故场景中静态环境；最后，在Simulink中添加制动控制算法模块与碰撞检测模块，进行制动控制算法的仿真测试。

4.2 基于T_cep的制动控制策略

本文结合避险临界点与分级制动控制思想，提出将T_cep作为不同等级制动触发条件的制动控制策略，如表2所示。根据车辆速度选择制动等级，当主车距离前车碰撞时间到达不同制动阈值时，采取不同比例的制动力。

充分考虑安全性原则，防止出现意外情况时因T_cep过小而导致无法及时制动，设置T_cep<0.4 s时，将其分级制动阈值分别设置为0.8 s和1.6 s。同时，对比文献[16]的分级TTC控制策略（见表3）。

为了验证基于T_cep的制动控制策略有效性，需要针对不同的碰撞场景开展试验^[17]，本文结合文献[18]的碰撞分类方法，根据主车转向情况将CIDAS汽车-二轮车案例的事故类型进行分类，测试场景类型如图9所示。

4.3 制动策略测试

为了验证本文制动策略的有效性，分别对主车直行垂直碰撞、与二轮车追尾碰撞、与二轮车对向碰撞、二轮车夹角碰撞及主车转向碰撞等碰撞场景案例进行验证，并分析本文方案在事故避免、碰撞速度降低、制动距离等方面的性能。

4.3.1 直行垂直碰撞场景

在主车直行碰撞二轮车侧向的事故场景中，选取最大和最小的风险案例进行试验，结果如图10、图11所示。

由图10可知，基于T_cep的制动策略的速度变化更平缓，制动提前量更大，制动更有效。在高风险案例中，基于TTC的制动策略，车辆无法避免碰撞，而基于T_cep的制动策略，通过提前制动解决了车辆与二轮车的碰撞问题；由图11可知，基于TTC的制动策略，车辆制动停止点与预碰撞点的距离为1.069 m，而基于T_cep的制动策略停止点与预碰撞点的距离为1.32 m，说明后者的制动空间更大。

4.3.2 直行追尾场景

在主车直行追尾碰撞二轮车事故场景中，试验结果如图12所示。该场景中，两种制动策略均无法避免碰撞，但基于T_cep的制动策略使主车的碰撞速度从39.9 km/h下降至25.2 km/h，能够降低事故带来的伤害。

4.3.3 直行对向碰撞场景

在主车直行碰撞对向二轮车的事故场景中，试验结果如图13所示。采用基于TTC制动策略未能阻止碰撞的发生，主车的碰撞速度为0.8 m/s，而在这种极度危险的场景中，基于T_cep的制动策略在前1.8 s对使主车制动停止，避免了事故发生。

4.3.4 转向场景

在主车转向场景中选取两个最危险的案例，结果如图14所示。图14a中，两种制动策略均能够避免事故发生，相比之下，基于T_cep制动策略的制动时间更短，车辆速度曲线更平缓，有效降低了制动停止过程对驾驶员的影响。图14b中，两种制动策略同样避免了碰撞，通过观察3D运行图中主车制动停止的位置（见图15），基于T_cep制动策略控制的主车制动停止位置与预碰撞点的距离约为2.8 m，而基于TTC控制制动策略控制的主车制动停止位置距离预碰撞点仅为0.6 m，表明基于T_cep的制动策略为车辆预留了更长的制动距离，为车辆操纵提供了更大的容错空间。

因此，相较于基于TTC的制动策略，基于T_cep的制动策略在不同碰撞类型和不同危险度场景中均表现出较好的性能，有效地避免了此类危险场景下事故的发生。在无法避免事故中，能够显著降低碰撞时刻的瞬时速度，从而减缓乘员伤害和事故严重程度。

5 结束语

收起

本文针对现有碰撞时间指标在动态复杂环境中难以全面量化风险的局限，提出了避险临界点理念，并据此建立了数学模型，提出了风险识别方法和制动控制策略。在多种代表性场景下，本文策略表现显著更优，能够平缓、有效地实施制动。后续将在更多类型交通参与者（如行人、其他车辆）构成的风险场景中进行广泛的测试与验证，进一步优化该方法的鲁棒性与泛用性。

基金

收起

*国家重点研发计划(2019YFE010800)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

[1]

国家统计局. 中国统计年鉴[M]. 北京: 中国统计出版社, 2024.

National Bureau of Statistics of China. China Statistical Yearbook[M]. Beijing: China Statistics Press, 2024.

[2]

白先旭, 左瑜, 李维汉, 等. 自动紧急制动系统控制模块的SOTIF量化评价[J]. 汽车工程, 2023, 45(9): 1655-1665.

BAI

X X

, ZUO

, LI

W H

, et al. Quantitative Evaluation of SOTIF for Control Module of AEBS[J]. Automotive Engineering, 2023, 45(9): 1655-1665.

[3]

BRUMMELEN

J V

, O'BRIEN

, GRUYER

, et al. Autonomous Vehicle Perception: the Technology of Today and Tomorrow[J]. Transportation Research Part C: Emerging Technologies, 2018, 89: 384-406.

[4]

武和全, 刘瑾, 龚创业, 等. 自动驾驶汽车的碰撞安全性研究综述[J]. 长沙理工大学学报(自然科学版), 2023, 20(2): 35-44.

H Q

, LIU

, GONG

C Y

, et al. A Review of Crash Safety Research on Self-Driving Cars[J]. Journal of Changsha University of Science and Technology (Natural Science), 2023, 20(2): 35-44.

[5]

杨超, 杨帆, 王伟达, 等. 基于时空风险的智能驾驶车辆避险决策规划[J]. 汽车工程, 2024, 46(6): 975-984.

YANG

, YANG

, WANG

W D

, et al. Risk Avoidance Decision Planning for Intelligent Driving Vehicles Based on Spatiotemporal Risk[J]. Automotive Engineering, 2024, 46(6): 975-984.

[6]

李胜琴, 杜鹏. 考虑驾驶员差异性的安全距离模型优化[J]. 江苏大学学报(自然科学版), 2023, 44(3): 249-253+261.

S Q

, DU

. Optimization of Safe Distance Model Considering Driver Difference[J]. Journal of Jiangsu University (Natural Science Edition), 2023, 44(3): 249-253+261.

[7]

王孜健, 李心怡, 景峻, 等. 高速公路跟车场景的碰撞时间改进方法及应用案例研究[J]. 科技与创新, 2023(11): 123-125.

WANG

Z J

, LI

X Y

, JING

, et al. Improved Time-to-Collision Method and Case Study for Highway Car-Following Scenarios[J]. Science and Technology & Innovation, 2023(11): 123-125.

[8]

孙宁. 基于驾驶员特性辨识的AEB控制策略研究[D]. 长春: 吉林大学, 2019.

SUN

. Research on AEB Control Strategy Based on Driver Characteristic Identification[D]. Changchun: Jilin University, 2019.

[9]

张宇丰, 张友兵, 周奎, 等. TTC与安全时距协同AEB控制策略[J]. 湖北汽车工业学院学报, 2022, 36(3): 35-39.

ZHANG

Y F

, ZHANG

Y B

, ZHOU

, et al. Cooperative AEB Control Strategy Based on TTC and Safe Headway[J]. Journal of Hubei University of Automotive Technology, 2022, 36(3): 35-39.

[10]

杨贺博, 张小俊, 罗耿耿, 等. 基于动态碰撞时间的自动紧急制动策略设计[J]. 汽车技术, 2024(2): 17-24.

YANG

H B

, ZHANG

X J

, LUO

G G

, et al. Design of Automatic Emergency Braking Strategy Based on Dynamic Time to Collision[J]. Automobile Technology, 2024(2): 17-24.

[11]

郭祥靖, 孙攀, 邓杰, 等. 基于BP神经网络算法预测的重型半挂汽车列车AEB控制策略研究[J]. 汽车工程, 2021, 43(9): 1350-1359+1366.

GUO

X J

, SUN

, DENG

, et al. Research on AEB Control Strategy of a Heavy Tractor-Semitrailer Combination Based on BP Neural Network Algorithm Prediction[J]. Automotive Engineering, 2021, 43(9): 1350-1359+1366.

[12]

赵林峰, 张丁之, 王慧然, 等. 基于改进安全距离模型的人机协同纵向避撞研究[J]. 汽车工程, 2021, 43(4): 588-600.

ZHAO

L F

, ZHANG

D Z

, WANG

H R

, et al. Study on Longitudinal Collision Avoidance with Human-Machine Cooperation Based on Improved Safety Distance Model[J]. Automotive Engineering, 2021, 43(4): 588-600.

[13]

ZHAO

S S

, LIU

, ZHANG

, et al. Research on AEB Car-to-Car Test Scenario in Intersection Environment[C]// International Conference on Smart Transportation and City Engineering (STCE 2023). Chongqing, China: SPIE, 2024.

[14]

秦严严, 肖腾飞, 罗钦中, 等. 雾天高速公路车辆跟驰安全分析及控制策略[J/OL]. 吉林大学学报(工学版), (2023-12-01) [2025-02-10]. https://doi.org/10.13229/j.cnki.jdxbgxb.20230634.

QIN

Y Y

, XIAO

T F

, LUO

Q Z

, et al. Car-Following Safety Analysis and Control Strategy for Foggy Freeway[J/OL]. Journal of Jilin University (Engineering and Technology Edition), (2023-12-01) [2025-02-10]. https://doi.org/10.13229/j.cnki.jdxbgxb.20230634.

[15]

邓浩楠, 赵治国, 赵坤, 等. 四驱车辆交互式多模型自适应无迹卡尔曼滤波路面附着系数估计[J]. 汽车工程, 2024, 46(8): 1357-1369.

DENG

H N

, ZHAO

Z G

, ZHAO

, et al. Estimation of Road Adhesion Coefficient Using Interactive Multiple Model Adaptive Unscented Kalman Filter for 4WID Vehicles[J]. Automotive Engineering, 2024, 46(8): 1357-1369.

[16]

杜峰, 程剑锋, 齐蕾, 等. 基于驾驶行为特性的AEB系统控制策略研究[J]. 河南科技大学学报 (自然科学版), 2023, 44(6): 16-25+5.

, CHENG

J F

, QI

, et al. Control Strategy of AEB System Based on Driving Behavior Characteristics[J]. Journal of Henan University of Science and Technology (Natural Science Edition), 2023, 44(6): 16-25+5.

[17]

WANG

X S

, LIU

, GUO

, et al. Causation Analysis of Crashes and Near Crashes Using Naturalistic Driving Data[J]. Accident Analysis and Prevention, 2022, 177.

[18]

曹倩. 电动二轮车与机动车碰撞事故严重程度影响因素分析[D]. 淄博: 山东理工大学, 2023.

CAO

. Analysis of Factors Affecting Injury Severity in Crashes Between Electric Two-Wheelers and Motor Vehicles[D]. Zibo: Shandong University of Technology, 2023.

2025年第卷第7期

PDF下载

295

100

引用本文

BibTeX

文章信息

doi: 10.19620/j.cnki.1000-3703.20240896

首发时间：2025-10-28
出版时间：2025-07-24

补充材料

相关文章

文章信息

作者

出版历史

修回日期：2025-02-10

基金

*国家重点研发计划(2019YFE010800)

作者信息

¹ 长安大学运输工程学院，西安 710064

² 中国汽车技术研究中心有限公司，天津 300300

通讯作者:

朱彤（1977—），副教授，主要研究方向为交通规划、交通安全及智能交通，zhutong@chd.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/qcjs/CN/10.19620/j.cnki.1000-3703.20240896

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT