Nothing Special   »   [go: up one dir, main page]

CN110356377A - 一种自动紧急制动的决策方法、车载设备及存储介质 - Google Patents

一种自动紧急制动的决策方法、车载设备及存储介质 Download PDF

Info

Publication number
CN110356377A
CN110356377A CN201910569643.0A CN201910569643A CN110356377A CN 110356377 A CN110356377 A CN 110356377A CN 201910569643 A CN201910569643 A CN 201910569643A CN 110356377 A CN110356377 A CN 110356377A
Authority
CN
China
Prior art keywords
barrier
vehicle
state
brake
automatic emergency
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201910569643.0A
Other languages
English (en)
Other versions
CN110356377B (zh
Inventor
范泽华
曾剑峰
叶凌峡
刘洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Uisee Shanghai Automotive Technologies Ltd
Original Assignee
Uisee Shanghai Automotive Technologies Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Uisee Shanghai Automotive Technologies Ltd filed Critical Uisee Shanghai Automotive Technologies Ltd
Priority to CN201910569643.0A priority Critical patent/CN110356377B/zh
Publication of CN110356377A publication Critical patent/CN110356377A/zh
Application granted granted Critical
Publication of CN110356377B publication Critical patent/CN110356377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60T—VEHICLE BRAKE CONTROL SYSTEMS OR PARTS THEREOF; BRAKE CONTROL SYSTEMS OR PARTS THEREOF, IN GENERAL; ARRANGEMENT OF BRAKING ELEMENTS ON VEHICLES IN GENERAL; PORTABLE DEVICES FOR PREVENTING UNWANTED MOVEMENT OF VEHICLES; VEHICLE MODIFICATIONS TO FACILITATE COOLING OF BRAKES
    • B60T7/00—Brake-action initiating means
    • B60T7/12—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger
    • B60T7/22—Brake-action initiating means for automatic initiation; for initiation not subject to will of driver or passenger initiated by contact of vehicle, e.g. bumper, with an external object, e.g. another vehicle, or by means of contactless obstacle detectors mounted on the vehicle
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W30/00—Purposes of road vehicle drive control systems not related to the control of a particular sub-unit, e.g. of systems using conjoint control of vehicle sub-units
    • B60W30/08—Active safety systems predicting or avoiding probable or impending collision or attempting to minimise its consequences
    • B60W30/09—Taking automatic action to avoid collision, e.g. braking and steering
    • B—PERFORMING OPERATIONS; TRANSPORTING
    • B60—VEHICLES IN GENERAL
    • B60W—CONJOINT CONTROL OF VEHICLE SUB-UNITS OF DIFFERENT TYPE OR DIFFERENT FUNCTION; CONTROL SYSTEMS SPECIALLY ADAPTED FOR HYBRID VEHICLES; ROAD VEHICLE DRIVE CONTROL SYSTEMS FOR PURPOSES NOT RELATED TO THE CONTROL OF A PARTICULAR SUB-UNIT
    • B60W2554/00—Input parameters relating to objects

Landscapes

  • Engineering & Computer Science (AREA)
  • Transportation (AREA)
  • Mechanical Engineering (AREA)
  • Automation & Control Theory (AREA)
  • Regulating Braking Force (AREA)
  • Traffic Control Systems (AREA)

Abstract

本公开实施例涉及一种自动紧急制动的决策方法、车载设备及存储介质，所述决策方法包括：感知车辆前方的障碍物；基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，其中，最小碰撞距离与自动紧急制动系统的状态相关；基于最小碰撞距离，生成自动紧急制动的决策信息。本公开实施例中，将最小碰撞距离与自动紧急制动系统的状态关联，从而基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，避免自动紧急制动过早或过晚介入，及过早或过晚释放，兼顾驾驶员的主客观感受。进而基于最小碰撞距离生成自动紧急制动的决策信息，辨别可能发生的碰撞事件，及时采取自动紧急制动，减少碰撞发生的可能性和严重性。

Description

一种自动紧急制动的决策方法、车载设备及存储介质
技术领域
本公开实施例涉及车辆主动安全技术领域，具体涉及一种自动紧急制动的决策方法、车载设备及存储介质。
背景技术
随着自动驾驶技术的发展，越来越多的车辆具有高级辅助驾驶和自动驾驶的能力。AEB(Autonomous Emergency Brake，自动紧急制动)系统属于高级辅助驾驶技术中的一种，同时也是自动驾驶技术的基础，是一种车辆主动安全技术，是一种避免追尾和防止碰撞的有效解决方案。AEB系统的基本功能为：
AEB系统检测到与前车的距离正在快速减小时，将提前为自动紧急制动做准备。若驾驶员没有对危险情况做出反应，AEB系统会通过告警音或图标警示信号，以及轻触刹车给予驾驶员警告。告警之后AEB系统会采取部分制动来降低车速，给驾驶员争取人为接管的反应时间。但为了避免发生碰撞，AEB系统会持续计算不同刹车能力下对应的最小碰撞距离并在驾驶员踩下刹车踏板时提供额外的制动助力。若驾驶员仍未采取进一步的安全措施，AEB系统将自动采取全力制动以避免碰撞或减轻碰撞带来的伤害。
2018年11月份发布的C-NCAP(China-New Car Assessment Program，中国新车评价规程)引入了对AEB系统的试验及评价标准，保护对象包括车辆和行人，因此感知方案需要包括激光雷达或视觉的一种，中国专利(检索号CN106240458B，一种基于车载双目相机的车辆前方碰撞预警方法)采用两个摄像头进行目标感知，该方法虽然能够充分利用视觉的优点，但在能见度较低或面对电线杆等摄像头无法识别的情形下仍然存在“漏报”的风险。
目前，AEB系统的主流感知方案是采用毫米波雷达与视觉摄像头融合的解决方案。视觉摄像头能够通过视觉算法对目标物进行分类，并且能及时看到行人、自行车等VRU(Vulnerable Road User，弱势道路使用者)；毫米波雷达能够有效探测到前方的金属障碍物或视觉不易分辨的物体，而且毫米波雷达的测速和测距相对较为精确。融合方案同时兼顾了两种传感器的优点，感知范围和能力胜过任何一种单一传感器所能呈现的效果。融合方案的输出作为ACC(Adaptive Cruise Control，自适应巡航控制)系统，AEB系统等功能的输入，但AEB系统的原则相对更为谨慎(尽可能不要误触发)，因此融合结果对于AEB系统来说属于一个全集(某些目标适用于ACC系统等功能但并不适用于AEB系统)，AEB系统需要基于多种融合状态输入来进行二次筛选，用来确定该目标是否真的足够危险，确保不“误报”的情况下尽可能不“漏报”。
目前，AEB系统在控制决策上的依据不完全相同，例如基于碰撞时间、基于安全碰撞距离，或者同时基于两者进行控制决策。中国专利(CN109080604A，一种基于AEB系统的自动紧急制动系统)采用同时计算安全距离和碰撞时间的方案进行决策，但在给出的计算原理中公式参数均为定值，无法保证各种车速工况下均能及时响应或刹停，即容易出现过早及过晚的制动或释放。过晚制动会造成与目标碰撞的风险；过早制动会影响驾驶员体验甚至被追尾；过早释放(误释放)容易造成二次制动或分段式制动；过晚释放虽然不会引起碰撞危险，但会影响驾驶员体验，甚至造成线控执行机构的过热损坏。这些问题均影响AEB系统的性能，因此需要尽可能地减少碰撞伤害的同时尽可能地避免影响驾驶员体验。
上述对问题的发现过程的描述，仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
为了解决现有技术存在的至少一个问题，本发明的至少一个实施例提供了一种自动紧急制动的决策方法、车载设备及存储介质。
第一方面实施例1，本公开实施例提出一种自动紧急制动的决策方法，所述方法包括：
感知车辆前方的障碍物；
基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离；其中，所述最小碰撞距离与所述自动紧急制动系统的状态相关；
基于所述最小碰撞距离，生成自动紧急制动的决策信息。
第一方面实施例2，根据第一方面实施例1所述的方法，所述方法还包括：
判断所述障碍物是否为有效障碍物；若是，则执行确定所述车辆与所述障碍物之间的最小碰撞距离的步骤；
其中，判断所述障碍物是否为有效障碍物，包括：基于多传感器融合数据，对所述障碍物进行二次筛选，得到有效障碍物；其中，所述有效障碍物为所述自动紧急制动系统认定的障碍物。
第一方面实施例3，根据第一方面实施例1所述的方法，所述方法还包括：
判断所述自动紧急制动系统是否激活且车辆诊断是否正常；
若激活且正常，则执行所述基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离的步骤。
第一方面实施例4，根据第一方面实施例1所述的方法，所述自动紧急制动系统的状态包括激活状态；
所述激活状态包括：初始化子状态，报警状态，轻刹制动状态，重刹制动状态和人为接管状态。
第一方面实施例5，根据第一方面实施例4所述的方法，所述最小碰撞距离包括：
初始化子状态迁移至报警状态的最小碰撞距离；
报警状态迁移至轻刹制动状态的最小碰撞距离；
报警状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至初始化子状态的最小碰撞距离；
重刹制动状态迁移至初始化子状态的最小碰撞距离。
第一方面实施例6，根据第一方面实施例1所述的方法，基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离，包括：
基于所述车辆的状态和所述障碍物的状态，确定反应时间过后的速度信息和相对距离变化量；
基于所述自动紧急制动系统的状态和所述速度信息，确定所述反应时间过后的最小碰撞距离；
基于所述相对距离变化量和所述反应时间过后的最小碰撞距离，得到所述车辆与所述障碍物之间的最小碰撞距离。
第一方面实施例7，根据第一方面实施例6所述的方法，基于所述自动紧急制动系统的状态和所述速度信息，确定所述反应时间过后的最小碰撞距离，包括：
基于所述自动紧急制动系统的状态，确定需求减速度；
基于所述需求减速度和所述速度信息，确定所述反应时间过后的最小碰撞距离。
第一方面实施例8，根据第一方面实施例7所述的方法，基于所述自动紧急制动系统的状态，确定需求减速度，包括：
若自动紧急制动系统为报警状态，则分段定义需求减速度；
若自动紧急制动系统为轻刹制动状态，则需求减速度为K1×g；
若自动紧急制动系统为重刹制动状态，则需求减速度为K2×g；
其中，﹣1＜K1＜0，﹣1＜K2＜0，且K1＞K2。
第一方面实施例9，根据第一方面实施例7所述的方法，基于所述需求减速度和所述速度信息，确定所述反应时间过后的最小碰撞距离，包括：
判断碰撞时所述障碍物是否处于运动状态；若处于运动状态，则基于所述需求减速度和所述速度信息，确定运动状态对应的最小碰撞距离；若处于非运动状态，则基于所述需求减速度和所述速度信息，确定非运动状态对应的最小碰撞距离。
第一方面实施例10，根据第一方面实施例1所述的方法，还包括：
判断所述自动紧急制动系统是否激活且车辆诊断是否正常；
若激活且正常，则计算碰撞时间，并基于所述碰撞时间，生成自动紧急制动的决策信息。
第一方面实施例11，根据第一方面实施例4所述的方法，还包括：
在检测到驾驶员的主动接管操作后，进入人为接管状态。
第一方面实施例12，根据第一方面实施例1所述的方法，基于所述最小碰撞距离，生成自动紧急制动的决策信息，包括：
若所述车辆与所述障碍物之间的相对距离小于所述最小碰撞距离，则生成自动紧急制动的决策信息，所述决策信息为所述最小碰撞距离对应的信息。
第一方面实施例13，根据第一方面实施例1所述的方法，还包括：
基于所述决策信息，生成执行指令，并向电子车身稳定系统发送所述执行指令。
第一方面实施例14，根据第一方面实施例13所述的方法，还包括：
发送所述执行指令后，实时确定自动紧急制动的剩余制动时间；
在所述剩余制动时间小于预设时长后，进入重刹制动状态。
第一方面实施例15，根据第一方面实施例14所述的方法，还包括：
在所述车辆刹车停止后，进行驻车操作和/或控制锁止装置将所述车辆锁止预设时长。
第二方面，本公开实施例还提出一种车载设备，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如第一方面实施例1至第一方面实施例15中任一实施例所述方法的步骤。
第三方面，本公开实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如第一方面实施例1至第一方面实施例15中任一实施例所述方法的步骤。
可见，本公开实施例的至少一个实施例中，将最小碰撞距离与自动紧急制动系统的状态关联，从而基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，避免自动紧急制动过早或过晚介入，以及避免自动紧急制动过早或过晚释放，兼顾驾驶员的主客观感受。进而基于最小碰撞距离生成自动紧急制动的决策信息，辨别可能发生的碰撞事件，及时采取自动紧急制动，减少碰撞发生的可能性和严重性。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是本公开实施例提供的一种智能驾驶车辆的整体架构图；
图2是本公开实施例提供的一种智能驾驶系统的框图；
图3是本公开实施例提供的一种制动决策模块的框图；
图4是本公开实施例提供的一种车载设备的框图；
图5为本公开实施例提供的一种自动紧急制动的决策方法流程图；
图6为本公开实施例提供的一种基于多传感器融合数据的自动紧急制动决策方法流程图；
图7为本公开实施例提供的对障碍物进行二次筛选的流程图；
图8为本公开实施例提供的一种自动紧急制动系统的状态转移示意图；
图9为本公开实施例提供的又一种自动紧急制动的决策方法流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用于解释本发明，而非对本发明的限定。基于所描述的本发明的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。
本公开实施例提供一种自动紧急制动的决策方案，综合考虑不同工况和阶段下的最小碰撞距离计算规则及制动起始点，同时考虑驾驶员接管等操作下的驾驶体验，保证在低速及适当高速工况下(大于等于40kph)均能及时响应自动紧急制动，该方案既不会导致自动紧急制动过早或过晚介入，也不会导致自动紧急制动过早或过晚释放，同时兼顾驾驶员的主客观感受和刹车性能，让用户能够放心开启并使用AEB系统的功能。
另外，本公开实施例多传感器融合技术降低了“漏报”的可能性，基于多传感器融合数据，对感知的障碍物进行二次筛选，得到有效障碍物，降低了“误报”的可能性。
本公开实施例提供的自动紧急制动的决策方案，可应用于车辆主动安全场景，例如十字路口、公园、停车场等存在横向方向运动的障碍物的场景。其中，横向方向可以理解为与智能驾驶车辆前进方向相垂直的方向，智能驾驶车辆前进方向可以理解为纵向方向。
本公开实施例提供的自动紧急制动的决策方案，可应用于智能驾驶车辆。
图1为本公开实施例提供的一种智能驾驶车辆的整体架构图，如图1所示，智能驾驶车辆包括：传感器组、智能驾驶系统100、车辆底层执行系统以及其他可用于驱动车辆和控制车辆运行的部件。
传感器组，用于采集车辆外界环境的数据和探测车辆的位置数据。传感器组例如包括但不限于摄像头、激光雷达、毫米波雷达、GPS(Global Positioning System，全球定位系统)和IMU(Inertial Measurement Unit，惯性测量单元)中的至少一个。
在一些实施例中，传感器组，还用于采集车辆的动力学数据，传感器组例如还包括但不限于车轮转速传感器、速度传感器、加速度传感器、方向盘转角传感器、前轮转角传感器中的至少一个。
智能驾驶系统100，用于获取传感器组的数据，传感器组中所有传感器在智能驾驶车辆行驶过程中都以较高的频率传送数据。智能驾驶系统，还用于与云端服务器无线通信，交互各种信息。
智能驾驶系统100，还用于基于传感器组的数据进行环境感知和车辆定位，并基于环境感知信息和车辆定位信息进行路径规划和决策，以及基于规划的路径生成车辆控制指令，从而控制车辆按照规划路径行驶。
在一些实施例中，智能驾驶系统100，还用于感知车辆前方的障碍物，基于AEB(Autonomous Emergency Brake，自动紧急制动)系统的状态，确定车辆与障碍物之间的最小碰撞距离，基于最小碰撞距离，生成自动紧急制动的决策信息。其中，最小碰撞距离与AEB系统的状态相关。
在一些实施例中，智能驾驶系统100可以为软件系统、硬件系统或者软硬件结合的系统。例如，智能驾驶系统100是运行在操作系统上的软件系统，车载硬件系统是支持操作系统运行的硬件系统。
车辆底层执行系统，用于接收车辆控制指令，实现对车辆行驶的控制。在一些实施例中，车辆底层执行系统包括但不限于：转向系统、制动系统和驱动系统。转向系统、制动系统和驱动系统属于车辆领域成熟系统，在此不再赘述。
在一些实施例中，智能驾驶车辆还可包括图1中未示出的车辆CAN总线，车辆CAN总线连接车辆底层执行系统。智能驾驶系统100与车辆底层执行系统之间的信息交互通过车辆CAN总线进行传递。
在一些实施例中，智能驾驶车辆既可以通过驾驶员又可以通过智能驾驶系统100控制车辆行驶。在人工驾驶模式下，驾驶员通过操作控制车辆行驶的装置驾驶车辆，控制车辆行驶的装置例如包括但不限于制动踏板、方向盘和油门踏板等。控制车辆行驶的装置可直接操作车辆底层执行系统控制车辆行驶。
在一些实施例中，智能驾驶车辆也可以为无人车，车辆的驾驶控制由智能驾驶系统100来执行。
图2为本公开实施例提供的一种智能驾驶系统200的框图。在一些实施例中，智能驾驶系统200可以实现为图1中的智能驾驶系统100或者智能驾驶系统100的一部分，用于控制车辆行驶。
如图2所示，智能驾驶系统200可划分为多个模块，例如包括但不限于：感知模块201、规划模块202、控制模块203、制动决策模块204以及其他一些可用于智能驾驶的模块。
感知模块201用于进行环境感知与定位。
在一些实施例中，感知模块201用于获取的传感器数据、V2X(Vehicle to X，车用无线通信)数据、高精度地图等数据。
在一些实施例中，感知模块201用于基于获取的传感器数据、V2X(Vehicle to X，车用无线通信)数据、高精度地图等数据中的至少一种，进行环境感知与定位。
在一些实施例中，感知模块201用于生成感知定位信息，实现对障碍物感知、摄像头图像的可行驶区域识别以及车辆的定位等。
环境感知(Environmental Perception)可以理解为对于环境的场景理解能力，例如障碍物的位置，道路标志/标记的检测，行人/车辆的检测等数据的语义分类。
在一些实施例中，环境感知可采用融合摄像头、激光雷达、毫米波雷达等多种传感器的数据进行环境感知。
定位(Localization)属于感知的一部分，是确定智能驾驶车辆相对于环境的位置的能力。
定位可采用：GPS定位，GPS的定位精度在数十米到厘米级别，定位精度高；定位还可采用融合GPS和惯性导航系统(Inertial Navigation System)的定位方法。定位还可采用SLAM(Simultaneous Localization And Mapping，同步定位与地图构建)，SLAM的目标即构建地图的同时使用该地图进行定位，SLAM通过利用已经观测到的环境特征确定当前车辆的位置以及当前观测特征的位置。
V2X是智能交通运输系统的关键技术，使得车与车、车与基站、基站与基站之间能够通信，从而获得实时路况、道路信息、行人信息等一系列交通信息，提高智能驾驶安全性、减少拥堵、提高交通效率、提供车载娱乐信息等。
高精度地图是智能驾驶领域中使用的地理地图，与传统地图相比，不同之处在于：1)高精度地图包括大量的驾驶辅助信息，例如依托道路网的精确三维表征：包括交叉路口局和路标位置等；2)高精地图还包括大量的语义信息，例如报告交通灯上不同颜色的含义，又例如指示道路的速度限制，以及左转车道开始的位置；3)高精度地图能达到厘米级的精度，确保智能驾驶车辆的安全行驶。
规划模块202用于基于感知定位模块生成的感知定位信息，进行路径规划和决策。
在一些实施例中，规划模块202用于基于感知定位模块生成的感知定位信息，并结合V2X数据、高精度地图等数据中的至少一种，进行路径规划和决策。
在一些实施例中，规划模块202用于规划路径、决策：行为(例如包括但不限于跟车、超车、停车、绕行等)、车辆航向、车辆速度、车辆的期望加速度、期望的方向盘转角等，生成规划决策信息。
控制模块203用于基于规划模块生成的规划决策信息，进行路径跟踪和轨迹跟踪。
在一些实施例中，控制模块203用于生成车辆底层执行系统的控制指令，并下发控制指令，以使车辆底层执行系统控制车辆按照期望路径行驶，例如通过控制方向盘、刹车以及油门对车辆进行横向和纵向控制。
在一些实施例中，控制模块203还用于基于路径跟踪算法计算前轮转角。
在一些实施例中，路径跟踪过程中的期望路径曲线与时间参数无关，跟踪控制时，可以假设智能驾驶车辆以当前速度匀速前进，以一定的代价规则使行驶路径趋近于期望路径；而轨迹跟踪时，期望路径曲线与时间和空间均相关，并要求智能驾驶车辆在规定的时间内到达某一预设好的参考路径点。
路径跟踪不同于轨迹跟踪，不受制于时间约束，只需要在一定误差范围内跟踪期望路径。
制动决策模块204用于在车辆前方存在障碍物的情况下生成制动决策信息。在一些实施例中，制动决策模块204基于AEB系统的状态，确定车辆与障碍物之间的最小碰撞距离。更进一步的，制动决策模块204基于最小碰撞距离，生成自动紧急制动的决策信息。其中，最小碰撞距离与AEB系统的状态相关。
在一些实施例中，制动决策模块204，还用于基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物，进而确定车辆与有效障碍物之间的最小碰撞距离。其中，有效障碍物为AEB系统认定的障碍物。
在一些实施例中，制动决策模块204的功能可集成到感知模块201、规划模块202或控制模块203中，也可由AEB系统执行，AEB系统可配置为智能驾驶系统200中的一个功能模块，AEB系统也可配置为与智能驾驶系统200相独立的系统，AEB系统也可获取传感器组的数据。AEB系统可以为软件系统、硬件系统或者软硬件结合的系统。例如，AEB系统是运行在操作系统上的软件系统，车载硬件系统是支持操作系统运行的硬件系统。
图3为本公开实施例提供的一种制动决策模块300的框图。在一些实施例中，制动决策模块300可以实现为图2中的制动决策模块204或者制动决策模块204的一部分。
如图3所示，制动决策模块300可包括以下单元：感知单元301、最小碰撞距离确定单元302和制动决策单元303。
感知单元301，用于感知车辆前方的障碍物。
在一些实施例中，感知单元301，用于基于传感器数据感知障碍物，感知方式可沿用现有的感知技术，在此不再赘述。例如，毫米波雷达能够有效探测金属障碍物或视觉不易分辨的物体，而且毫米波雷达的测速和测距相对较为精确。又例如，视觉摄像头能够通过视觉算法对障碍物进行分类，并且能及时看到行人、自行车等弱势道路使用者(VulnerableRoad User，VRU)。
在能见度较低或面对电线杆等视觉摄像头无法识别的情形下，采用单传感器数据感知障碍物，存在“漏报”的风险。在一些实施例中，感知单元301，用于基于多传感器融合数据感知障碍物，相比基于单传感器数据感知障碍物，可以降低“漏报”的概率。
多传感器融合例如同时利用毫米波雷达和视觉摄像头输出障碍物信息，最远探测距离至少可达到150米。多传感器融合兼顾毫米波雷达的测速测距能力和视觉摄像头的车道线及障碍物种类的识别能力。
感知单元301感知的障碍物可能有多个，并且每个障碍物与智能驾驶车辆之间的相对位置不同，例如有的障碍物位于智能驾驶车辆前进方向上，有的障碍物位于智能驾驶车辆前进方向的两侧。
对于智能驾驶车辆前进方向两侧的障碍物，智能驾驶车辆通常不会与其发生碰撞，除非障碍物可以横向方向运动，其中，横向方向可以理解为与智能驾驶车辆前进方向相垂直的方向，智能驾驶车辆前进方向可以理解为纵向方向。
对于智能驾驶车辆前进方向上的障碍物，若发生碰撞，智能驾驶车辆最可能和前方最近的障碍物发生碰撞。
因此，感知单元301基于传感器数据感知障碍物后，需要选择障碍物进行自动紧急制动决策。选择的障碍物可以理解为有效障碍物，也即AEB系统认定的障碍物。在一些实施例中，有效障碍物可以为智能驾驶车辆前方最近的障碍物。
在一些实施例中，制动决策模块还可包括图3中未示出的筛选模块，用于基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物；其中，有效障碍物为AEB系统认定的障碍物。
多传感器融合数据作为ACC(Adaptive Cruise Control，自适应巡航控制)系统，AEB系统等功能的输入，但AEB系统的原则相对更为谨慎(尽可能不要误触发)，因此多传感器融合数据对于AEB系统属于一个全集(某些障碍物适用于ACC系统等功能但并不适用于AEB系统)。
因此，筛选模块基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物，有效障碍物说明该障碍物足够危险，应当进行自动紧急制动，从而降低“误报”的概率。
若障碍物经过二次筛选后确认不是有效障碍物，说明障碍物为潜在威胁目标但又不足够危险，AEB系统不进行响应。
通过多传感器融合技术降低了“漏报”的可能性，基于多传感器融合数据，对感知的障碍物进行二次筛选，得到有效障碍物，降低了“误报”的可能性。
在一些实施例中，筛选单元，具体用于确定多传感器融合数据的融合状态，确定障碍物与车辆之间的重叠度，基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物。
融合状态可包括但不限于：仅雷达探测到障碍物(Radar Only)、仅前置摄像头探测到障碍物(Vision Only)、雷达和前置摄像头均探测到障碍物(Fused)、雷达和前置摄像头均没有探测到障碍物(Invalid Target)。其中，雷达可以为毫米波雷达。
融合状态中除了Invalid Target，其他状态均为有效的融合状态。若多传感器融合数据的融合状态为Invalid Target，则结束流程。
Radar Only属于三种有效的融合状态中需要“特殊”对待的一种状态，仅雷达探测到障碍物置信度较低，白天视线较好的情况下仅雷达探测到障碍物一般包括以下至少一种：贴近路边的垃圾桶、贴近路边的电线杆、弯道连续护栏、路上或头顶的铁板类装置、地下车库的金属设施等。
仅雷达探测到障碍物置大部分静止并且处于非稳态的场景(如方向盘抖动导致的朝向偏离或本车高速行驶于直道与弯道的连接处)，而且本车有充足的空间来避免碰撞，对于这类障碍物应该避免紧急制动的误触发。在一些实施例中，若本车由于某些状况而冲向该类障碍物时，AEB系统仍会给予保护。
在一些实施例中，还有一些情形会导致Radar Only目标的生成，比如不常见的机动车辆、较差视线下的移动行人、自行车或摩托车(统称为VRU)等，这类目标大部分是移动目标，只是因为摄像头能力有限而无法准确识别。
在确定多传感器融合数据的融合状态为有效的融合状态后，可确定障碍物与智能驾驶车辆之间的重叠度，确定方式可沿用现有方式，在此不再赘述。重叠度可以理解为本车与目标在行驶路径上的重叠比例。
在一些实施例中，筛选单元基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物，具体为：确定融合状态对应的重叠度阈值，判断重叠度是否大于重叠度阈值，若大于，则确定障碍物为有效障碍物。
不同的融合状态对应不同的重叠度阈值，用于判断障碍物是否为有效障碍物。
在一些实施例中，筛选单元基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物，具体为：确定融合状态对应的重叠度阈值；若连续N个判断周期，障碍物的重叠度均大于重叠度阈值，则确定障碍物为有效障碍物。其中，N为大于等于2的正整数。判断周期可以理解为智能驾驶系统的工作周期，例如200ms。
连续N个判断周期的设置，目的在于提高确定障碍物为有效障碍物的可靠性。
在一些实施例中，确定融合状态对应的重叠度阈值，具体可包括以下三种情况(1)至(3)：
(1)若仅雷达探测到障碍物且障碍物静止，则对应的重叠度阈值为第一阈值。
(2)若仅雷达探测到障碍物且障碍物非静止，则对应的重叠度阈值为第二阈值；其中，障碍物非静止可以理解为障碍物正在运动或者障碍物运动后静止。
在一些实施例中，障碍物非静止的判断例如为：存在连续N个周期障碍物的速率均大于2m/s。
对于仅雷达探测到障碍物，非静止的障碍物相比于静止的障碍物更容易通过二次筛选，也即更容易被确定为有效的障碍物。
(3)若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物非弱势道路使用者，则对应的重叠度阈值为第三阈值。
其中，第一阈值、第二阈值和第三阈值依次减小。
在一些实施例中，第一阈值例如为65％，第二阈值例如为20％，第三阈值例如为15％，本实施例仅为举例说明，不限定第一阈值、第二阈值和第三阈值的具体取值。
仅雷达探测到障碍物，静止的障碍物设置重叠度阈值为65％，可理解为防止对静止目标进行误报；非静止的障碍物设置重叠度阈值为20％，可理解为防止对运动目标进行漏报。
在一些实施例中，筛选单元，用于若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物为弱势道路使用者，且碰撞类型为纵向碰撞类型或不发生碰撞，则确定与车辆完全重叠的障碍物为有效障碍物。
在一些实施例中，非车辆的有效视觉目标包括但不限于为VRU(行人、自行车、摩托车、动物的统称)，针对VRU需要判断其行驶状态，根据其横纵向的行驶状态将潜在碰撞类型分为三类：横向碰撞类型、纵向碰撞类型和不发生碰撞。
当侧向距离小于安全距离并且侧向速度小于一定值时，判断为潜在纵向碰撞类型；否则当侧向速度大于一定值时，判断为横向碰撞类型；上述条件都不满足时(侧向距离大于安全距离且侧向速度很小，小于一定值)，判断为不发生碰撞。前述“一定值”可基于实际需要进行设置，本实施例不限定具体取值。
在一些实施例中，筛选单元，用于若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物为弱势道路使用者，且碰撞类型为横向碰撞类型，则计算碰撞时间(Time To Collision，TTC)以及时间跨度，并确定碰撞时间小于时间跨度的障碍物为有效障碍物。
在一些实施例中，可根据牛顿第二定律计算本车与障碍物的碰撞时间。
时间跨度为障碍物进出危险范围的时间跨度(Tin－Tout)，若TTC小于时间跨度，说明车辆与障碍物会发生碰撞，因此，确定障碍物为有效障碍物。
危险范围可理解为本车行驶路径，障碍物进出危险范围的时间进入的时间表示为Tin，障碍物退出危险范围的时间表示为Tout。
在一些实施例中，制动决策模块还包括图3中未示出的初始化单元，用于感知单元301感知车辆前方的障碍物之后或者筛选单元判断障碍物为有效障碍物之后，判断AEB系统是否激活且车辆诊断是否正常，若激活且诊断为正常，说明满足AEB系统的要求，可以进行自动紧急制动的决策，车辆诊断可沿用现有的诊断方式，在此不再赘述。
在一些实施例中，若至少满足以下激活条件，则判定自动紧急制动系统已激活：
1)智能驾驶车辆的车速大于预设速度；
2)AEB系统的开关已打开；
3)智能驾驶车辆的挡位为前进挡；
4)非人为主动失能AEB系统。
人为主动失能例如为：驾驶员通过车载触控屏取消AEB系统功能。
在一些实施例中，预设速度例如为3m/s，本实施例仅为举例说明，不限定预设速度的具体取值。
车辆诊断可包括但不限于以下至少一个：整车信号的诊断、传感器诊断和车辆底层执行系统的诊断。
最小碰撞距离确定单元302，用于基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离；其中，所述最小碰撞距离与所述自动紧急制动系统的状态相关。
在一些实施例中，若AEB系统已激活且车辆诊断为正常，则最小碰撞距离确定单元302基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离；否则，AEB系统不进行响应。
在一些实施例中，若感知单元301感知的障碍物非有效障碍物，AEB系统不进行响应。若感知单元301感知的障碍物为有效障碍物，则最小碰撞距离确定单元302基于AEB系统的状态，确定智能驾驶车辆与障碍物之间的最小碰撞距离。
在一些实施例中，AEB系统的状态可包括但不限于激活状态；激活状态包括：初始化子状态、报警状态、轻刹制动状态、重刹制动状态和人为接管状态。
AEB系统处于报警状态时，会给驾驶员提供较为充足的反应时间来接管车辆，制动系统无响应，AEB系统仅提供视觉或音频的提示告警音。
AEB系统处于轻刹制动状态时，会通过轻刹制动给驾驶员再度争取部分接管车辆的时间，同时也能够避免直接重刹制动给驾驶员带来不适感。
AEB系统处于重刹制动状态时，会通过全力制动来尽可能减轻或避免伤害，驾驶员会由于惯性而产生不适感。
AEB系统处于人为接管状态时，由驾驶员接管车辆，保证了驾驶员的驾驶体验和操纵感受，避免因为人工无法接管而产生恐慌甚至更严重的后果。
本实施例中，AEB系统的状态还可包括：初始状态、非激活状态和超速状态。
AEB系统处于初始状态时，车辆底层执行系统(制动系统)无反应。AEB系统处于非激活状态(Inactive)时，AEB系统不进行响应。
在一些实施例中，最小碰撞距离可包括：
初始化子状态迁移至报警状态的最小碰撞距离；
报警状态迁移至轻刹制动状态的最小碰撞距离；
报警状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至重刹制动状态的最小碰撞距离，该最小碰撞距离的设置可以防止重刹过早介入；
轻刹制动状态迁移至初始化子状态的最小碰撞距离；
重刹制动状态迁移至初始化子状态的最小碰撞距离。
在一些实施例中，轻刹制动状态迁移至初始化子状态的最小碰撞距离与重刹制动状态迁移至初始化子状态的最小碰撞距离相同。
在一些实施例中，将最小碰撞距离与AEB系统的状态关联，具有至少以下四点有益效果：
1)避免自动紧急制动过早介入，影响驾驶员体验甚至被追尾；
2)避免自动紧急制动过晚介入，造成与障碍物碰撞的风险；
3)避免自动紧急制动过早释放(包括误释放)，造成二次制动或分段式制动，影响驾驶员体验；
4)避免自动紧急制动过晚释放，影响驾驶员体验，甚至造成线控执行机构的过热损坏，影响刹车性能。
在一些实施例中，最小碰撞距离确定单元302，具体用于基于车辆的状态和障碍物的状态，确定反应时间过后的速度信息和相对距离变化量；基于AEB系统的状态和速度信息，确定反应时间过后的最小碰撞距离；基于相对距离变化量和反应时间过后的最小碰撞距离，得到车辆与障碍物之间的最小碰撞距离。
在一些实施例中，反应时间、碰撞距离的计算可参考SAE J2400。
在一些实施例中，反应时间包括：系统延时、驾驶员反应延时、报警条件满足到报警发出的延时、刹车命令发出到车辆减速的延时。反应时间为前述四个延时之和。
从感知到有效障碍物开始至反应时间结束，智能驾驶车辆和有效障碍物的状态均发生了变化，因此，可基于车辆的状态和障碍物的状态，确定反应时间过后的车辆状态和障碍物状态。
车辆的状态包括速度和加速度，从感知到有效障碍物开始至反应时间结束，智能驾驶车辆的速度发生了变化，计算方式为：
VSVP＝VSV+aSV*DT
其中，VSVP为智能驾驶车辆在反应时间结束后的速度，VSV为感知到有效障碍物后智能驾驶车辆的速度，aSV为感知到有效障碍物后智能驾驶车辆的加速度，DT为反应时间。
障碍物的状态包括速度和加速度，从感知到有效障碍物开始至反应时间结束，有效障碍物的速度发生了变化，计算方式为：
VLVP＝VLV+aLV*DT
其中，VLVP为有效障碍物在反应时间结束后的速度，VLV为感知到有效障碍物后有效障碍物的速度，aLV为感知到有效障碍物后有效障碍物的加速度，DT为反应时间。
反应时间过后的速度信息包括：VSVP和VLVP。
反应时间过后的相对距离变化量的计算方式为：
DTR＝(VSV-VLV)*DT+1/2(aSV-aLV)*DT2
其中，DTR为反应时间过后的相对距离变化量，相对距离变化量为智能驾驶车辆与有效障碍物之间的相对距离变化量，VSV为感知到有效障碍物后智能驾驶车辆的速度，VLV为感知到有效障碍物后有效障碍物的速度，DT为反应时间，aSV为感知到有效障碍物后智能驾驶车辆的加速度，aLV为感知到有效障碍物后有效障碍物的加速度。
在一些实施例中，最小碰撞距离确定单元302基于AEB系统的状态和速度信息，确定反应时间过后的最小碰撞距离，具体为：基于AEB系统的状态，确定需求减速度；基于需求减速度和速度信息，确定反应时间过后的最小碰撞距离。
在一些实施例中，若自动紧急制动系统为报警状态，则分段定义需求减速度；
若自动紧急制动系统为轻刹制动状态，则需求减速度为K1×g；
若自动紧急制动系统为重刹制动状态，则需求减速度为K2×g；
其中，﹣1＜K1＜0，﹣1＜K2＜0，且K1＞K2。
在一些实施例中，报警状态分段定义的需求减速度为：
其中，aSVR为需求减速度，atv为目标车实时加速度，vsvp为本车反应时间过后的预估车速，vtvp为目标车反应时间过后的预估车速。
在一些实施例中，轻刹制动状态确定的需求减速度如下：
aSVR＝﹣0.35g。
在一些实施例中，重刹制动状态确定的需求减速度如下：
aSVR＝﹣0.7g。
在一些实施例中，最小碰撞距离确定单元302基于需求减速度和速度信息，确定反应时间过后的最小碰撞距离，具体为：判断碰撞时障碍物是否处于运动状态；若处于运动状态，则基于需求减速度和速度信息，确定运动状态对应的最小碰撞距离；若处于非运动状态，则基于需求减速度和速度信息，确定非运动状态对应的最小碰撞距离。
在一些实施例中，最小碰撞距离确定单元302判断碰撞时障碍物是否处于运动状态，具体为：基于车辆的状态和障碍物的状态判断碰撞时障碍物是否处于运动状态。车辆的状态包括速度和加速度，障碍物的状态包括速度和加速度。
在一些实施例中，车辆的状态包括：感知到有效障碍物后智能驾驶车辆的速度VSV和感知到有效障碍物后智能驾驶车辆的加速度aSV；障碍物的状态包括：感知到有效障碍物后有效障碍物的速度VLV和感知到有效障碍物后有效障碍物的加速度aLV。判断碰撞时障碍物是否处于运动状态，具体为：
若VSV*aLV≤VLV*aSVR-aLV*(aSV-aSVR)*DT成立，则判定碰撞时障碍物处于非运动状态(包括障碍物停止运动和障碍物始终静止)；否则，判定碰撞时障碍物处于运动状态。
在一些实施例中，速度信息为反应时间过后的速度信息，具体包括：智能驾驶车辆在反应时间结束后的速度VSVP和有效障碍物在反应时间结束后的速度VLVP。
本实施例中，运动状态对应的最小碰撞距离的计算方式为：
本实施例中，非运动状态对应的最小碰撞距离的计算方式为：
确定反应时间过后的智能驾驶车辆与有效障碍物之间的相对距离变化量DTR之后，以及确定反应时间过后的最小碰撞距离BOR之后，可计算智能驾驶车辆与有效障碍物之间的最小碰撞距离R，R＝DTR+BOR。
在一些实施例中，初始化子状态迁移至报警状态的最小碰撞距离、报警状态迁移至轻刹制动状态的最小碰撞距离和报警状态迁移至重刹制动状态的最小碰撞距离均是从非制动状态直接迁移到制动状态，所以反应时间相对较长(因为初始减速度为零)，从零初始减速度到需求减速度的平均值需要比从负的初始减速度到需求减速度的平均值低，所以这三个最小碰撞距离的反应时间均采用相同值(例如0.8s)计算，反应时间过长会导致制动过早介入，反应时间过短则又会导致制动过晚介入。
在一些实施例中，轻刹制动状态迁移至重刹制动状态的最小碰撞距离，在制动响应上会比从非制动状态迁移到制动状态更迅速，所以采用较小的反应时间(例如0.3s)，采用较小的反应时间计算出的碰撞距离相对更小，导致重刹制动不会过早介入。
在一些实施例中，轻刹制动状态迁移至初始化子状态的最小碰撞距离，需要释放制动后依然能够保持安全，而释放制动后的一瞬间车辆处于滑行状态，在不考虑坡度影响的条件下，相比于初始化子状态迁移至报警状态的最小碰撞距离的计算仅有一处不同，即公式中的aSV(感知到有效障碍物后智能驾驶车辆的加速度)需要置0，同时调低需求减速度的幅值，即能够保证足够安全，又不会导致制动过晚释放(距离相对安全就可以释放，无需强制驻车(hold)操作或者必须刹停)，因为过晚释放可能会导致被追尾。
AEB系统释放制动时，如果智能驾驶车辆和有效障碍物之间的相对距离过大，会给用户造成过早制动的感觉；如果发生碰撞，会让用户无法信赖AEB系统。因此，AEB系统释放制动时，相对距离既不过大(同时保证安全)也不过小或碰撞。
需要说明的是，反应时间并不是严格的0.8s或者0.3s，例如反应时间比上述值小，所以计算的相对距离变化量DTR会偏大；轻刹制动状态确定的需求减速度也不是严格的﹣0.35g，重刹制动状态确定的需求减速度也不是严格的﹣0.7g，例如轻刹制动状态确定的需求减速度小于﹣0.35g，重刹制动状态确定的需求减速度小于﹣0.7g，导致计算的相对距离变化量DTR会偏小，计算的最小碰撞距离BOR会偏大，但最终两者相加的结果近似相同。
前文公式中的速度是平方项，如果只考虑轻刹制动状态﹣0.35g的需求减速度，则速度越大会导致相对距离变化量DTR的距离偏差逐渐弥补不了最小碰撞距离BOR的距离偏差，因此，速度较大的时候必然会过渡到以重刹制动结尾，因为重刹制动的需求减速度幅值大，并且在进入重刹制动前已经历过一段时间的轻刹制动，速度不会过大，所以无论智能驾驶车辆的起始速度是大还是小，算法均能够靠两级制动(轻刹制动与重刹制动)的配合弥补距离偏差。
低速时仅通过轻刹制动即可满足AEB系统使用，避免低速状态下重刹制动带来的不适感；高速时也能够通过分级制动让驾驶员做好准备，即能够保持AEB系统性能，也不会让驾驶员感到不适。
需要说明的是，如果车速过大(即3.5s的重刹制动也不能刹停)，AEB系统只能够尽可能降低碰撞造成的伤害，无法避免碰撞。
经过验证，智能驾驶车辆迫近一个静止的目标，相对距离Range在逐渐缩小，依次达到轻刹制动状态迁移至初始化子状态的最小碰撞距离、初始化子状态迁移至报警状态的最小碰撞距离、报警状态迁移至轻刹制动状态的最小碰撞距离、报警状态迁移至重刹制动状态的最小碰撞距离、轻刹制动状态迁移至重刹制动状态的最小碰撞距离，而且智能驾驶车辆在目标物前安全刹停(停止时仅有1m左右的相对距离)。
在一些实施例中，制动决策模块还可包括图3中未示出的TTC决策单元，用于初始化单元判断AEB系统激活且车辆诊断正常后，计算碰撞时间(Time To Collision，TTC)，并基于碰撞时间，生成自动紧急制动的决策信息。
本实施例中，TTC的计算以及基于TTC生成自动紧急制动的决策信息均可沿用现有技术，在此不再赘述。TTC的计算即在考虑相对距离、相对速度、相对加速度的情况下实时估算与障碍物的碰撞时间，TTC会作为辅助因素参与报警或制动起始点的确定。
本实施例中，同时采用两种方式进行自动紧急制动的决策：基于TTC和最小碰撞距离进行自动紧急制动的决策，进而提高自动紧急制动决策的可靠性。
在一些实施例中，在检测到驾驶员的主动接管操作后，AEB系统进入人为接管状态；在检测到驾驶员的主动接管操作减少，且所述车辆与所述障碍物之间的相对距离不小于轻刹制动状态或重刹制动状态迁移至初始化子状态的最小碰撞距离，说明障碍物已脱离危险区域或车辆已脱离危险状态，则控制电子车身稳定(Electronic Stability Program，ESP)系统释放刹车，并确定AEB系统的状态为激活状态下的初始化子状态。
在一些实施例中，驾驶员的主动接管操作减少例如为：驾驶员松开制动踏板(松开到一定程度即可)及松开方向盘。
驾驶员的主动接管操作例如包括但不限于：人为踩踏制动踏板或存在变道企图等行为，即当驾驶员有明显的人为刹车(踩踏制动踏板的力度达到预设力度)或主动转向等主动接管行为时，AEB系统会从自动刹车状态退出。
在一些实施例中，驾驶员的主动接管操作例如为：人为踩踏制动踏板的力度达到预设力度，且踩踏时长持续预设踩踏时长，例如持续1s或0.5s；人为打开转向灯；人为操作车载触控屏等。
制动决策单元303，用于基于所述最小碰撞距离，生成自动紧急制动的决策信息。
在一些实施例中，基于最小碰撞距离，生成自动紧急制动的决策信息，包括：若车辆与障碍物之间的相对距离小于最小碰撞距离，说明障碍物未脱离危险区域或车辆未脱离危险状态，则生成自动紧急制动的决策信息，决策信息为最小碰撞距离对应的信息。
在一些实施例中，制动决策模块还包括图3中未示出的生成单元，用于基于决策信息，生成执行指令，并向ESP系统发送执行指令。在一些实施例中，执行指令例如包括但不限于报警和制动。
在一些实施例中，制动决策模块还包括图3中未示出的实时确定单元，用于生成单元发送执行指令后，实时确定自动紧急制动的剩余制动时间；在剩余制动时间小于预设时长后，AEB系统进入重刹制动状态。
ESP系统不会持续进行自动刹车，超过最大制动持续时间(如3.5s)需要释放刹车，避免过热而烧毁设备。预设时长由总制动时长减最大制动持续时间得到。因此，通过实时确定自动紧急制动的剩余制动时间，以便重刹制动及时介入，避免轻刹制动占用过多的时间。
在一些实施例中，制动决策模块还包括图3中未示出的控制单元，用于在所述车辆刹车停止后，进行驻车操作和/或控制锁止装置将所述车辆锁止预设时长(例如2s)，防止造成二次伤害。
在一些实施例中，若最大制动持续时间过后或者刹车退出时车辆没有被刹停，则不进行驻车操作和/或锁止操作。
本公开实施例，无需大规模的标定、查表及补偿，仅通过内部算法即可在合理的速度范围内保证系统性能。
本公开实施例，保留了融合感知、时间距离共同决策的优点，同时充分考虑驾驶员的驾驶体验和刹车性能，保证制动系统不会过早/过晚介入，也不会过早/过晚释放。
本公开实施例，还充分考虑了驾驶员接管以及最大制动持续时间等限制因素，即充分设计了AEB系统的冗余机制，形成了完整的解决方案。
本公开实施例，符合EURO-NCAP及C-NCAP对AEB系统的功能性能要求及标准。
本公开实施例，多传感器融合技术降低了“漏报”的概率，基于多传感器融合数据，对感知的障碍物进行二次筛选，得到有效障碍物有效降低了“误报”的概率。
本公开实施例，对于横向碰撞类型实现了纵横向解耦计算，只有当横纵向均处于危险状态时才予以紧急制动，同时保障了行人的安全，即使行人突然停止运动，车辆依然能够及时刹停。
在一些实施例中，制动决策模块300中各单元的划分仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如感知单元301、最小碰撞距离确定单元302和制动决策单元303可以实现为一个单元，感知单元301、最小碰撞距离确定单元302或制动决策单元303也可以划分为多个子单元。可以理解的是，各个单元或子单元能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能。
图4是本公开实施例提供的一种车载设备的结构示意图。车载设备可支持智能驾驶系统、AEB系统的运行。
如图4所示，车载设备包括：至少一个处理器401、至少一个存储器402和至少一个通信接口403。车载设备中的各个组件通过总线系统404耦合在一起。通信接口403，用于与外部设备之间的信息传输。可理解，总线系统404用于实现这些组件之间的连接通信。总线系统404除包括数据总线之外，还包括电源总线、控制总线和状态信号总线。但为了清楚说明起见，在图4中将各种总线都标为总线系统404。
可以理解，本实施例中的存储器402可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。
在一些实施方式中，存储器402存储了如下的元素，可执行单元或者数据结构，或者他们的子集，或者他们的扩展集：操作系统和应用程序。
其中，操作系统，包含各种系统程序，例如框架层、核心库层、驱动层等，用于实现各种基础业务以及处理基于硬件的任务。应用程序，包含各种应用程序，例如媒体播放器(Media Player)、浏览器(Browser)等，用于实现各种应用业务。实现本公开实施例提供的自动紧急制动的决策方法的程序可以包含在应用程序中。
在本公开实施例中，处理器401通过调用存储器402存储的程序或指令，具体的，可以是应用程序中存储的程序或指令，处理器401用于执行本公开实施例提供的自动紧急制动的决策方法各实施例的步骤。
本公开实施例提供的自动紧急制动的决策方法可以应用于处理器401中，或者由处理器401实现。处理器401可以是一种集成电路芯片，具有信号的处理能力。在实现过程中，上述方法的各步骤可以通过处理器401中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器401可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本公开实施例提供的自动紧急制动的决策方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件单元组合执行完成。软件单元可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器402，处理器401读取存储器402中的信息，结合其硬件完成方法的步骤。
图5为本公开实施例提供的一种自动紧急制动的决策方法流程图。该方法的执行主体为车载设备，在一些实施例中，该方法的执行主体为车载设备所支持的智能驾驶系统或AEB系统。
如图5所示，本实施例公开的自动紧急制动的决策方法可包括以下步骤501至503：
501、感知车辆前方的障碍物。
502、基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离；其中，所述最小碰撞距离与所述自动紧急制动系统的状态相关。
503、基于所述最小碰撞距离，生成自动紧急制动的决策信息。
本实施例中，基于传感器数据感知障碍物，感知方式可沿用现有的感知技术，在此不再赘述。例如，毫米波雷达能够有效探测金属障碍物或视觉不易分辨的物体，而且毫米波雷达的测速和测距相对较为精确。又例如，视觉摄像头能够通过视觉算法对障碍物进行分类，并且能及时看到行人、自行车等弱势道路使用者(Vulnerable Road User，VRU)。
在能见度较低或面对电线杆等视觉摄像头无法识别的情形下，采用单传感器数据感知障碍物，存在“漏报”的风险。在一些实施例中，基于多传感器融合数据感知障碍物，相比基于单传感器数据感知障碍物，可以降低“漏报”的概率。
多传感器融合例如同时利用毫米波雷达和视觉摄像头输出障碍物信息，最远探测距离至少可达到150米。多传感器融合兼顾毫米波雷达的测速测距能力和视觉摄像头的车道线及障碍物种类的识别能力。
感知的障碍物可能有多个，并且每个障碍物与智能驾驶车辆之间的相对位置不同，例如有的障碍物位于智能驾驶车辆前进方向上，有的障碍物位于智能驾驶车辆前进方向的两侧。
对于智能驾驶车辆前进方向两侧的障碍物，智能驾驶车辆通常不会与其发生碰撞，除非障碍物可以横向方向运动，其中，横向方向可以理解为与智能驾驶车辆前进方向相垂直的方向，智能驾驶车辆前进方向可以理解为纵向方向。
对于智能驾驶车辆前进方向上的障碍物，若发生碰撞，智能驾驶车辆最可能和前方最近的障碍物发生碰撞。
因此，基于传感器数据感知障碍物后，需要选择障碍物进行自动紧急制动决策。选择的障碍物可以理解为有效障碍物，也即AEB系统认定的障碍物。在一些实施例中，有效障碍物可以为智能驾驶车辆前方最近的障碍物。
在一些实施例中，感知车辆前方的障碍物后，判断障碍物是否为有效障碍物；若是，则确定车辆与障碍物之间的最小碰撞距离。
其中，判断障碍物是否为有效障碍物，具体为：基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物；其中，有效障碍物为AEB系统认定的障碍物。
若感知的障碍物非有效障碍物，自动紧急制动系统不进行响应。若感知的障碍物为有效障碍物，则基于自动紧急制动系统的状态，确定智能驾驶车辆与障碍物之间的最小碰撞距离。
本实施例中，将最小碰撞距离与AEB系统的状态关联，具有至少以下四点有益效果：
1)避免自动紧急制动过早介入，影响驾驶员体验甚至被追尾；
2)避免自动紧急制动过晚介入，造成与障碍物碰撞的风险；
3)避免自动紧急制动过早释放(包括误释放)，造成二次制动或分段式制动，影响驾驶员体验；
4)避免自动紧急制动过晚释放，影响驾驶员体验，甚至造成线控执行机构的过热损坏，影响刹车性能。
可见，本实施例中，将最小碰撞距离与自动紧急制动系统的状态关联，从而基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，避免自动紧急制动过早或过晚介入，以及避免自动紧急制动过早或过晚释放，兼顾驾驶员的主客观感受。进而基于最小碰撞距离生成自动紧急制动的决策信息，辨别可能发生的碰撞事件，及时采取自动紧急制动，减少碰撞发生的可能性和严重性。
图6为本公开实施例提供的一种基于多传感器融合数据的自动紧急制动决策方法流程图。该方法的执行主体为车载设备，在一些实施例中，该方法的执行主体为车载设备所支持的智能驾驶系统或AEB系统。
如图6所示，本实施例公开的基于多传感器融合数据的自动紧急制动决策方法可包括以下步骤601至604：
601、感知车辆前方的障碍物。
602、基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物；其中，有效障碍物为AEB系统认定的障碍物。
603、确定车辆与有效障碍物之间的最小碰撞距离；其中，最小碰撞距离与自动紧急制动系统的状态相关。
604、基于最小碰撞距离，生成自动紧急制动的决策信息。
多传感器融合数据作为ACC(Adaptive Cruise Control，自适应巡航控制)系统，AEB系统等功能的输入，但AEB系统的原则相对更为谨慎(尽可能不要误触发)，因此多传感器融合数据对于AEB系统属于一个全集(某些障碍物适用于ACC系统等功能但并不适用于AEB系统)。
因此，需要基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物，有效障碍物说明该障碍物足够危险，应当进行自动紧急制动，从而降低“误报”的概率。
若障碍物经过二次筛选后确认不是有效障碍物，说明障碍物为潜在威胁目标但又不足够危险，AEB系统不进行响应。
本公开实施例中，通过多传感器融合技术降低了“漏报”的可能性，基于多传感器融合数据，对感知的障碍物进行二次筛选，得到有效障碍物，降低了“误报”的可能性；将最小碰撞距离与自动紧急制动系统的状态关联，从而基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，避免自动紧急制动过早或过晚介入，及过早或过晚释放，兼顾驾驶员的主客观感受。进而基于最小碰撞距离生成自动紧急制动的决策信息，辨别可能发生的碰撞事件，及时采取自动紧急制动，减少碰撞发生的可能性和严重性。
在一些实施例中，基于多传感器融合数据，对障碍物进行二次筛选，得到有效障碍物，具体包括以下步骤(1)至(3)：
(1)确定多传感器融合数据的融合状态；
(2)确定障碍物与车辆之间的重叠度；
(3)基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物。
融合状态可包括但不限于：仅雷达探测到障碍物(Radar Only)、仅前置摄像头探测到障碍物(Vision Only)、雷达和前置摄像头均探测到障碍物(Fused)、雷达和前置摄像头均没有探测到障碍物(Invalid Target)。其中，雷达可以为毫米波雷达。
融合状态中除了Invalid Target，其他状态均为有效的融合状态。若多传感器融合数据的融合状态为Invalid Target，则结束流程。
Radar Only属于三种有效的融合状态中需要“特殊”对待的一种状态，仅雷达探测到障碍物置信度较低，白天视线较好的情况下仅雷达探测到障碍物一般包括以下至少一种：贴近路边的垃圾桶、贴近路边的电线杆、弯道连续护栏、路上或头顶的铁板类装置、地下车库的金属设施等。
仅雷达探测到障碍物置大部分静止并且处于非稳态的场景(如方向盘抖动导致的朝向偏离或本车高速行驶于直道与弯道的连接处)，而且本车有充足的空间来避免碰撞，对于这类障碍物应该避免紧急制动的误触发。在一些实施例中，若本车由于某些状况而冲向该类障碍物时，AEB系统仍会给予保护。
在一些实施例中，还有一些情形会导致Radar Only目标的生成，比如不常见的机动车辆、较差视线下的移动行人、自行车或摩托车(统称为VRU)等，这类目标大部分是移动目标，只是因为摄像头能力有限而无法准确识别。
在确定多传感器融合数据的融合状态为有效的融合状态后，可确定障碍物与智能驾驶车辆之间的重叠度，确定方式可沿用现有方式，在此不再赘述。重叠度可以理解为本车与目标在行驶路径上的重叠比例。
在一些实施例中，基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物，具体包括以下步骤(1)和(2)：
(1)确定融合状态对应的重叠度阈值；
(2)判断重叠度是否大于重叠度阈值，若大于，则确定障碍物为有效障碍物。
不同的融合状态对应不同的重叠度阈值，用于判断障碍物是否为有效障碍物。
在一些实施例中，基于融合状态以及重叠度，对障碍物进行二次筛选，得到有效障碍物，具体包括以下步骤(1)和(2)：
(1)确定融合状态对应的重叠度阈值；
(2)若连续N个判断周期，障碍物的重叠度均大于重叠度阈值，则确定障碍物为有效障碍物。其中，N为大于等于2的正整数。判断周期可以理解为智能驾驶系统的工作周期，例如200ms。
连续N个判断周期的设置，目的在于提高确定障碍物为有效障碍物的可靠性。
在一些实施例中，确定融合状态对应的重叠度阈值，具体可包括以下三种情况(1)至(3)：
(1)若仅雷达探测到障碍物且障碍物静止，则对应的重叠度阈值为第一阈值。
(2)若仅雷达探测到障碍物且障碍物非静止，则对应的重叠度阈值为第二阈值；其中，障碍物非静止可以理解为障碍物正在运动或者障碍物运动后静止。
在一些实施例中，障碍物非静止的判断例如为：存在连续N个周期障碍物的速率均大于2m/s。
对于仅雷达探测到障碍物，非静止的障碍物相比于静止的障碍物更容易通过二次筛选，也即更容易被确定为有效的障碍物。
(3)若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物非弱势道路使用者，则对应的重叠度阈值为第三阈值。
其中，第一阈值、第二阈值和第三阈值依次减小。
在一些实施例中，第一阈值例如为65％，第二阈值例如为20％，第三阈值例如为15％，本实施例仅为举例说明，不限定第一阈值、第二阈值和第三阈值的具体取值。
仅雷达探测到障碍物，静止的障碍物设置重叠度阈值为65％，可理解为防止对静止目标进行误报；非静止的障碍物设置重叠度阈值为20％，可理解为防止对运动目标进行漏报。
在一些实施例中，若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物为弱势道路使用者，且碰撞类型为纵向碰撞类型或不发生碰撞，则确定与车辆完全重叠的障碍物为有效障碍物。
在一些实施例中，非车辆的有效视觉目标包括但不限于为VRU(行人、自行车、摩托车、动物的统称)，针对VRU需要判断其行驶状态，根据其横纵向的行驶状态将潜在碰撞类型分为三类：横向碰撞类型、纵向碰撞类型和不发生碰撞。
当侧向距离小于安全距离并且侧向速度小于一定值时，判断为潜在纵向碰撞类型；否则当侧向速度大于一定值时，判断为横向碰撞类型；上述条件都不满足时(侧向距离大于安全距离且侧向速度很小，小于一定值)，判断为不发生碰撞。前述“一定值”可基于实际需要进行设置，本实施例不限定具体取值。
在一些实施例中，若仅前置摄像头探测到障碍物或雷达和前置摄像头均探测到障碍物，且障碍物为弱势道路使用者，且碰撞类型为横向碰撞类型，则计算碰撞时间(Time ToCollision，TTC)以及时间跨度，并确定碰撞时间小于时间跨度的障碍物为有效障碍物。
在一些实施例中，可根据牛顿第二定律计算本车与障碍物的碰撞时间。
时间跨度为障碍物进出危险范围的时间跨度(Tin－Tout)，若TTC小于时间跨度，说明车辆与障碍物会发生碰撞，因此，确定障碍物为有效障碍物。
危险范围可理解为本车行驶路径，障碍物进出危险范围的时间进入的时间表示为Tin，障碍物退出危险范围的时间表示为Tout。
图7为本公开实施例提供的一种对障碍物进行二次筛选的流程图。如图7所示，对障碍物进行二次筛选可包括以下步骤701至719：
701、确定多传感器融合数据的融合状态；
702、判断融合状态是否有效；若有效，则执行步骤703；否则，结束流程；
703、判断融合状态是否为Radar Only；若是，则执行步骤704；否则，执行步骤710；
704、判断障碍物是否静止；若是，则执行步骤705中的1)；若否，则执行步骤705中的2)；
705、1)确定障碍物静止对应的重叠度阈值为第一阈值(例如65％)；2)确定障碍物非静止对应的重叠度阈值为第二阈值(例如20％)；
706、判断障碍物与智能驾驶车辆之间的重叠度是否大于重叠度阈值；若是，则执行步骤707；否则结束流程；
707、将障碍物对应的周期数加1，其中，障碍物对应的周期数可理解为同一障碍物的重叠度大于重叠度阈值的周期数；一个周期可以理解为执行步骤701至706的周期。
708、判断周期数是否大于N，N例如为4；若是，则执行步骤709；否则，结束流程；
709、确定障碍物为有效障碍物；
710、判断障碍物是否为车辆(乘用车/商用车)，也即判断障碍物是否非VRU；若障碍物非VRU，则执行步骤711；否则，执行步骤713；
711、判断障碍物与智能驾驶车辆之间的重叠度是否大于第三阈值(例如15％)；若是，则执行步骤712；否则结束流程；
712、确定障碍物为有效障碍物；
713、计算碰撞类型，其中，碰撞类型包括横向碰撞类型、纵向碰撞类型和不发生碰撞；
714、判断是否为横向碰撞类型；若是，则执行步骤715；否则，执行步骤519；
715、计算TTC；
716、计算障碍物进出危险范围的时间跨度；
717、判断TTC是否小于时间跨度；若是，则执行步骤718；否则，结束流程；
718、确定障碍物为有效障碍物；
719、判断障碍物与智能驾驶车辆是否完全重叠，也即判断障碍物是否被智能驾驶车辆完全覆盖；若是，则执行步骤718；否则，结束流程。
障碍物与智能驾驶车辆不发生碰撞的重叠度为零，考虑到VRU的纵向体积及宽度较小，为防止在人流密集的地点误触发，需要当VRU完全被本车覆盖时才确定为有效的障碍物，否则结束流程。
在一些实施例中，感知车辆前方的障碍物之后或者判断障碍物为有效障碍物之后，进一步判断AEB系统是否激活且车辆诊断是否正常，若激活且诊断为正常，说明满足AEB系统的要求，可以进行自动紧急制动的决策，车辆诊断可沿用现有的诊断方式，在此不再赘述。
在一些实施例中，若至少满足以下激活条件，则判定自动紧急制动系统已激活：
1)智能驾驶车辆的车速大于预设速度；
2)AEB系统的开关已打开；
3)智能驾驶车辆的挡位为前进挡；
4)非人为主动失能AEB系统。
人为主动失能例如为：驾驶员通过车载触控屏取消AEB系统功能。
在一些实施例中，预设速度例如为3m/s，本实施例仅为举例说明，不限定预设速度的具体取值。
车辆诊断可包括但不限于以下至少一个：整车信号的诊断、传感器诊断和车辆底层执行系统的诊断。
若AEB系统已激活且车辆诊断为正常，则基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离；否则，AEB系统不进行响应。
在一些实施例中，AEB系统的状态可包括但不限于激活状态；激活状态包括：初始化子状态、报警状态、轻刹制动状态、重刹制动状态和人为接管状态。
AEB系统处于报警状态时，会给驾驶员提供较为充足的反应时间来接管车辆，制动系统无响应，AEB系统仅提供视觉或音频的提示告警音。
AEB系统处于轻刹制动状态时，会通过轻刹制动给驾驶员再度争取部分接管车辆的时间，同时也能够避免直接重刹制动给驾驶员带来不适感。
AEB系统处于重刹制动状态时，会通过全力制动来尽可能减轻或避免伤害，驾驶员会由于惯性而产生不适感。
AEB系统处于人为接管状态时，由驾驶员接管车辆，保证了驾驶员的驾驶体验和操纵感受，避免因为人工无法接管而产生恐慌甚至更严重的后果。
本实施例中，AEB系统的状态还可包括：初始状态、非激活状态和超速状态。
AEB系统处于初始状态时，车辆底层执行系统(制动系统)无反应。AEB系统处于非激活状态(Inactive)时，AEB系统不进行响应。
在一些实施例中，最小碰撞距离可包括：
初始化子状态迁移至报警状态的最小碰撞距离；
报警状态迁移至轻刹制动状态的最小碰撞距离；
报警状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至重刹制动状态的最小碰撞距离，该最小碰撞距离的设置可以防止重刹过早介入；
轻刹制动状态迁移至初始化子状态的最小碰撞距离；
重刹制动状态迁移至初始化子状态的最小碰撞距离。
在一些实施例中，轻刹制动状态迁移至初始化子状态的最小碰撞距离与重刹制动状态迁移至初始化子状态的最小碰撞距离相同。
图8为本公开实施例提供的一种自动紧急制动系统的状态转移示意图。如图8所示，自动紧急制动系统的状态转移过程如下：
AEB系统处于初始状态时，车辆底层执行系统(制动系统)无反应；
智能驾驶车辆点火后自检通过后，AEB系统从初始状态迁移至非激活状态；
判断满足激活条件后，AEB系统从非激活状态迁移至激活状态下的初始化子状态；
若智能驾驶车辆与障碍物之间的相对距离小于初始化子状态迁移至报警状态的最小碰撞距离，则AEB系统从初始化子状态迁移至报警状态；否则，AEB系统从报警状态迁移至初始化子状态；
在一些实施例中，若障碍物为车辆且智能驾驶车辆与障碍物之间的相对距离小于初始化子状态迁移至报警状态的最小碰撞距离，则AEB系统从初始化子状态迁移至报警状态；否则，AEB系统从报警状态迁移至初始化子状态；
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、智能驾驶车辆与障碍物之间的相对距离小于初始化子状态迁移至报警状态的最小碰撞距离、TTC小于时间跨度，同时满足，则AEB系统从初始化子状态迁移至报警状态；
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、障碍物脱离危险区域(即Tout＜0)，同时满足，则AEB系统从报警状态迁移至初始化子状态；
若智能驾驶车辆与障碍物之间的相对距离小于报警状态迁移至轻刹制动状态的最小碰撞距离，则AEB系统从报警状态迁移至轻刹制动状态；
在一些实施例中，若障碍物为车辆且智能驾驶车辆与障碍物之间的相对距离小于报警状态迁移至轻刹制动状态的最小碰撞距离，则AEB系统从报警状态迁移至轻刹制动状态；
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、智能驾驶车辆与障碍物之间的相对距离小于报警状态迁移至轻刹制动状态的最小碰撞距离、TTC小于时间跨度，同时满足，则AEB系统从报警状态迁移至轻刹制动状态；
若智能驾驶车辆与障碍物之间的相对距离不小于轻刹制动状态迁移至初始化子状态的最小碰撞距离，说明车辆已脱离危险状态，则AEB系统从轻刹制动状态迁移至初始化子状态。
在一些实施例中，若障碍物为车辆且智能驾驶车辆与障碍物之间的相对距离小于轻刹制动状态迁移至初始化子状态的最小碰撞距离，则AEB系统从轻刹制动状态迁移至初始化子状态；
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、障碍物脱离危险区域(即Tout＜0)，同时满足，则AEB系统从轻刹制动状态迁移至初始化子状态；
AEB系统从轻刹制动状态迁移至重刹制动状态需满足如下条件之一：(1)智能驾驶车辆与障碍物之间的相对距离小于轻刹制动状态迁移至重刹制动状态的最小碰撞距离；(2)冗余机制：制动系统的剩余制动时间有限，全部分配给重刹制动也不能够保障车辆的安全，例如车速过快或轻刹制动占用时间较长。该冗余机制是为了避免重刹制动过晚介入。
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、智能驾驶车辆与障碍物之间的相对距离小于轻刹制动状态迁移至重刹制动状态的最小碰撞距离、TTC小于时间跨度，同时满足，则AEB系统从轻刹制动状态迁移至重刹制动状态。
由于智能驾驶车辆的车速较高(例如车速大于等于50kph)时的碰撞场景是十分危险的，因此AEB系统在车速较高的场景下从报警状态直接迁移至重刹制动状态。
AEB系统从报警状态迁移至重刹制动状态需满足如下条件：(1)智能驾驶车辆的车速较高(例如车速大于等于50kph)；(2)智能驾驶车辆与障碍物之间的相对距离小于报警状态迁移至重刹制动状态的最小碰撞距离。
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、智能驾驶车辆的车速较高、智能驾驶车辆与障碍物之间的相对距离小于报警状态迁移至重刹制动状态的最小碰撞距离、TTC小于时间跨度，同时满足，则AEB系统从报警状态迁移至重刹制动状态。
AEB系统从重刹制动状态迁移至初始化子状态需满足如下条件：智能驾驶车辆与障碍物之间的相对距离小于轻刹制动状态迁移至初始化子状态的最小碰撞距离。
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、障碍物脱离危险区域(即Tout＜0)，同时满足，则AEB系统从重刹制动状态迁移至初始化子状态；
若AEB系统处于刹车状态(包括轻刹制动状态和重刹制动状态)，且检测到人为尝试利用更大的刹车力度接管时，AEB系统从刹车状态迁移至人为接管(Override)状态。
AEB系统从轻刹制动状态或重刹制动状态迁移至人为接管状态需满足如下条件：(1)人为刹车力度大于基于轻刹制动状态确定的需求减速度或大于基于重刹制动状态确定的需求减速度，需求减速度可以理解为智能驾驶车辆的最大减速度；(2)智能驾驶车辆与障碍物之间的相对距离小于轻刹制动状态迁移至初始化子状态的最小碰撞距离，说明车辆未完全脱离危险状态。
若检测到人为接管释放(例如人为刹车释放)时，AEB系统会根据目前的危险程度(例如智能驾驶车辆与障碍物之间的相对距离的大小)选择性地再次进入到轻刹制动状态或重刹制动状态。
若人为刹车力度小于基于重刹刹制动状态确定的需求减速度，且智能驾驶车辆与障碍物之间的相对距离小于重刹制动状态迁移至初始化子状态的最小碰撞距离，说明人为刹车力度不够并且车辆未完全脱离危险状态，则AEB系统从人为接管状态迁移至轻刹制动状态。
若人为刹车力度小于基于重刹制动状态确定的需求减速度，且智能驾驶车辆与障碍物之间的相对距离不小于重刹制动状态迁移至初始化子状态的最小碰撞距离，说明人为刹车力度不够并且车辆已脱离危险状态，则AEB系统从人为接管状态迁移至初始化子状态，保证AEB系统的性能，既不会过早也不会过晚释放制动。
在一些实施例中，若障碍物为VRU、碰撞类型为横向碰撞、障碍物脱离危险区域(即Tout＜0)，同时满足，则AEB系统从人为接管状态迁移至初始化子状态。
若智能驾驶车辆的车速超过预设速度(预设速度例如为150kph)，AEB系统从激活状态迁移至超速(Overspeed)状态；若智能驾驶车辆的车速不超过预设速度，AEB系统从超速状态迁移至激活状态。AEB系统默认不会进入超速状态。
在一些实施例中，基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离，可包括以下步骤(1)至(3)：
(1)基于车辆的状态和障碍物的状态，确定反应时间过后的速度信息和相对距离变化量；
(2)基于AEB系统的状态和速度信息，确定反应时间过后的最小碰撞距离；
(3)基于相对距离变化量和反应时间过后的最小碰撞距离，得到车辆与障碍物之间的最小碰撞距离。
在一些实施例中，反应时间、碰撞距离的计算可参考SAE J2400。
在一些实施例中，反应时间包括：系统延时、驾驶员反应延时、报警条件满足到报警发出的延时、刹车命令发出到车辆减速的延时。反应时间为前述四个延时之和。
从感知到有效障碍物开始至反应时间结束，智能驾驶车辆和有效障碍物的状态均发生了变化，因此，可基于车辆的状态和障碍物的状态，确定反应时间过后的车辆状态和障碍物状态。
车辆的状态包括速度和加速度，从感知到有效障碍物开始至反应时间结束，智能驾驶车辆的速度发生了变化，计算方式为：
VSVP＝VSV+aSV*DT
其中，VSVP为智能驾驶车辆在反应时间结束后的速度，VSV为感知到有效障碍物后智能驾驶车辆的速度，aSV为感知到有效障碍物后智能驾驶车辆的加速度，DT为反应时间。
障碍物的状态包括速度和加速度，从感知到有效障碍物开始至反应时间结束，有效障碍物的速度发生了变化，计算方式为：
VLVP＝VLV+aLV*DT
其中，VLVP为有效障碍物在反应时间结束后的速度，VLV为感知到有效障碍物后有效障碍物的速度，aLV为感知到有效障碍物后有效障碍物的加速度，DT为反应时间。
反应时间过后的速度信息包括：VSVP和VLVP。
反应时间过后的相对距离变化量的计算方式为：
DTR＝(VSV-VLV)*DT+1/2(aSV-aLV)*DT2
其中，DTR为反应时间过后的相对距离变化量，相对距离变化量为智能驾驶车辆与有效障碍物之间的相对距离变化量，VSV为感知到有效障碍物后智能驾驶车辆的速度，VLV为感知到有效障碍物后有效障碍物的速度，DT为反应时间，aSV为感知到有效障碍物后智能驾驶车辆的加速度，aLV为感知到有效障碍物后有效障碍物的加速度。
反应时间过后的最小碰撞距离通过以下步骤(1)和(2)确定：
(1)基于AEB系统的状态，确定需求减速度；
(2)基于需求减速度和速度信息，确定反应时间过后的最小碰撞距离。
基于AEB系统的状态，确定需求减速度，可包括：
若自动紧急制动系统为报警状态，则分段定义需求减速度；
若自动紧急制动系统为轻刹制动状态，则需求减速度为K1×g；
若自动紧急制动系统为重刹制动状态，则需求减速度为K2×g；
其中，﹣1＜K1＜0，﹣1＜K2＜0，且K1＞K2。
在一些实施例中，报警状态分段定义的需求减速度为：
其中，aSVR为需求减速度，atv为目标车实时加速度，vsvp为本车反应时间过后的预估车速，vtvp为目标车反应时间过后的预估车速。
在一些实施例中，轻刹制动状态确定的需求减速度如下：
aSVR＝﹣0.35g。
在一些实施例中，重刹制动状态确定的需求减速度如下：
aSVR＝﹣0.7g。
在确定需求减速度后，基于需求减速度和速度信息，确定反应时间过后的最小碰撞距离。具体地：
判断碰撞时障碍物是否处于运动状态；若处于运动状态，则基于需求减速度和速度信息，确定运动状态对应的最小碰撞距离；若处于非运动状态，则基于需求减速度和速度信息，确定非运动状态对应的最小碰撞距离。
在一些实施例中，判断碰撞时障碍物是否处于运动状态，具体为：基于车辆的状态和障碍物的状态判断碰撞时障碍物是否处于运动状态。车辆的状态包括速度和加速度，障碍物的状态包括速度和加速度。
在一些实施例中，车辆的状态包括：感知到有效障碍物后智能驾驶车辆的速度VSV和感知到有效障碍物后智能驾驶车辆的加速度aSV；障碍物的状态包括：感知到有效障碍物后有效障碍物的速度VLV和感知到有效障碍物后有效障碍物的加速度aLV。判断碰撞时障碍物是否处于运动状态，具体为：
若VSV*aLV≤VLV*aSVR-aLV*(aSV-aSVR)*DT成立，则判定碰撞时障碍物处于非运动状态(包括障碍物停止运动和障碍物始终静止)；否则，判定碰撞时障碍物处于运动状态。
在一些实施例中，速度信息为反应时间过后的速度信息，具体包括：智能驾驶车辆在反应时间结束后的速度VSVP和有效障碍物在反应时间结束后的速度VLVP。
本实施例中，运动状态对应的最小碰撞距离的计算方式为：
本实施例中，非运动状态对应的最小碰撞距离的计算方式为：
确定反应时间过后的智能驾驶车辆与有效障碍物之间的相对距离变化量DTR之后，以及确定反应时间过后的最小碰撞距离BOR之后，可计算智能驾驶车辆与有效障碍物之间的最小碰撞距离R，R＝DTR+BOR。
在一些实施例中，初始化子状态迁移至报警状态的最小碰撞距离、报警状态迁移至轻刹制动状态的最小碰撞距离和报警状态迁移至重刹制动状态的最小碰撞距离均是从非制动状态直接迁移到制动状态，所以反应时间相对较长(因为初始减速度为零)，从零初始减速度到需求减速度的平均值需要比从负的初始减速度到需求减速度的平均值低，所以这三个最小碰撞距离的反应时间均采用相同值(例如0.8s)计算，反应时间过长会导致制动过早介入，反应时间过短则又会导致制动过晚介入。
在一些实施例中，轻刹制动状态迁移至重刹制动状态的最小碰撞距离，在制动响应上会比从非制动状态迁移到制动状态更迅速，所以采用较小的反应时间(例如0.3s)，采用较小的反应时间计算出的碰撞距离相对更小，导致重刹制动不会过早介入。
在一些实施例中，轻刹制动状态迁移至初始化子状态的最小碰撞距离，需要释放制动后依然能够保持安全，而释放制动后的一瞬间车辆处于滑行状态，在不考虑坡度影响的条件下，相比于初始化子状态迁移至报警状态的最小碰撞距离的计算仅有一处不同，即公式中的aSV(感知到有效障碍物后智能驾驶车辆的加速度)需要置0，同时调低需求减速度的幅值，即能够保证足够安全，又不会导致制动过晚释放(距离相对安全就可以释放，无需强制驻车(hold)操作或者必须刹停)，因为过晚释放可能会导致被追尾。
AEB系统释放制动时，如果智能驾驶车辆和有效障碍物之间的相对距离过大，会给用户造成过早制动的感觉；如果发生碰撞，会让用户无法信赖AEB系统。因此，AEB系统释放制动时，相对距离既不过大(同时保证安全)也不过小或碰撞。
需要说明的是，反应时间并不是严格的0.8s或者0.3s，例如反应时间比上述值小，所以计算的相对距离变化量DTR会偏大；轻刹制动状态确定的需求减速度也不是严格的﹣0.35g，重刹制动状态确定的需求减速度也不是严格的﹣0.7g，例如轻刹制动状态确定的需求减速度小于﹣0.35g，重刹制动状态确定的需求减速度小于﹣0.7g，导致计算的相对距离变化量DTR会偏小，计算的最小碰撞距离BOR会偏大，但最终两者相加的结果近似相同。
前文公式中的速度是平方项，如果只考虑轻刹制动状态﹣0.35g的需求减速度，则速度越大会导致相对距离变化量DTR的距离偏差逐渐弥补不了最小碰撞距离BOR的距离偏差，因此，速度较大的时候必然会过渡到以重刹制动结尾，因为重刹制动的需求减速度幅值大，并且在进入重刹制动前已经历过一段时间的轻刹制动，速度不会过大，所以无论智能驾驶车辆的起始速度是大还是小，算法均能够靠两级制动(轻刹制动与重刹制动)的配合弥补距离偏差。
低速时仅通过轻刹制动即可满足AEB系统使用，避免低速状态下重刹制动带来的不适感；高速时也能够通过分级制动让驾驶员做好准备，即能够保持AEB系统性能，也不会让驾驶员感到不适。
需要说明的是，如果车速过大(即3.5s的重刹制动也不能刹停)，AEB系统只能够尽可能降低碰撞造成的伤害，无法避免碰撞。
经过验证，智能驾驶车辆迫近一个静止的目标，相对距离Range在逐渐缩小，依次达到轻刹制动状态迁移至初始化子状态的最小碰撞距离、初始化子状态迁移至报警状态的最小碰撞距离、报警状态迁移至轻刹制动状态的最小碰撞距离、报警状态迁移至重刹制动状态的最小碰撞距离、轻刹制动状态迁移至重刹制动状态的最小碰撞距离，而且智能驾驶车辆在目标物前安全刹停(停止时仅有1m左右的相对距离)。
在一些实施例中，自动紧急制动的决策方法还可包括步骤：判断AEB系统是否激活且车辆诊断是否正常。
若激活且正常，说明满足AEB系统的要求，可以进行自动紧急制动的决策，因此，AEB系统激活且车辆诊断为正常后，计算碰撞时间(Time To Collision，TTC)，并基于碰撞时间，生成自动紧急制动的决策信息。
本实施例中，TTC的计算以及基于TTC生成自动紧急制动的决策信息均可沿用现有技术，在此不再赘述。TTC的计算即在考虑相对距离、相对速度、相对加速度的情况下实时估算与障碍物的碰撞时间，TTC会作为辅助因素参与报警或制动起始点的确定。
本实施例中，同时采用两种方式进行自动紧急制动的决策：基于TTC和最小碰撞距离进行自动紧急制动的决策，进而提高自动紧急制动决策的可靠性。
在一些实施例中，自动紧急制动的决策方法还可包括步骤：在检测到驾驶员的主动接管操作后，AEB系统进入人为接管状态；在检测到驾驶员的主动接管操作减少，且所述车辆与所述障碍物之间的相对距离不小于轻刹制动状态或重刹制动状态迁移至初始化子状态的最小碰撞距离，说明障碍物已脱离危险区域或车辆已脱离危险状态，则控制ESP系统释放刹车，并确定AEB系统的状态为激活状态下的初始化子状态。
在一些实施例中，驾驶员的主动接管操作减少例如为：驾驶员松开制动踏板(松开到一定程度即可)及松开方向盘。
驾驶员的主动接管操作例如包括但不限于：人为踩踏制动踏板或存在变道企图等行为，即当驾驶员有明显的人为刹车(踩踏制动踏板的力度达到预设力度)或主动转向等主动接管行为时，AEB系统会从自动刹车状态退出。
在一些实施例中，驾驶员的主动接管操作例如为：人为踩踏制动踏板的力度达到预设力度，且踩踏时长持续预设踩踏时长，例如持续1s或0.5s；人为打开转向灯；人为操作车载触控屏等。
在一些实施例中，基于最小碰撞距离，生成自动紧急制动的决策信息，具体为：若车辆与障碍物之间的相对距离小于最小碰撞距离，则生成自动紧急制动的决策信息，决策信息为最小碰撞距离对应的信息。
在一些实施例中，自动紧急制动的决策方法还可包括步骤：基于决策信息，生成执行指令，并向ESP系统发送执行指令。
执行指令例如包括但不限于报警和制动。
在一些实施例中，自动紧急制动的决策方法还可包括步骤：发送执行指令后，实时确定自动紧急制动的剩余制动时间；在剩余制动时间小于预设时长后，AEB系统进入重刹制动状态。
ESP系统不会持续进行自动刹车，超过最大制动持续时间(如3.5s)需要释放刹车，避免过热而烧毁设备。预设时长由总制动时长减最大制动持续时间得到。因此，通过实时确定自动紧急制动的剩余制动时间，以便重刹制动及时介入，避免轻刹制动占用过多的时间。
在一些实施例中，自动紧急制动的决策方法还可包括步骤：在所述车辆刹车停止后，进行驻车操作和/或控制锁止装置将所述车辆锁止预设时长(例如2s)，防止造成二次伤害。
在一些实施例中，若最大制动持续时间过后或者刹车退出时车辆没有被刹停，则不进行驻车操作和/或锁止操作。
图9为本公开实施例提供的一种自动紧急制动的决策方法流程图，如图9所示，自动紧急制动的决策方法可包括以下步骤901至911：
901、感知车辆前方的障碍物。
902、判断障碍物是否为有效障碍物；若是，则执行903；若否，则结束。
903、判断AEB系统是否激活且车辆诊断是否正常；若激活且正常，则执行904和905；若否，则结束。
904、计算碰撞时间，并基于碰撞时间，生成自动紧急制动的决策信息。
905、基于AEB系统的状态，确定车辆与障碍物之间的最小碰撞距离。
906、基于最小碰撞距离，生成自动紧急制动的决策信息。
907、基于决策信息，生成执行指令，并向ESP系统发送执行指令。
908、实时确定自动紧急制动的剩余制动时间。
909、在剩余制动时间小于预设时长后，进入重刹制动状态。
910、在检测到驾驶员的主动接管操作后，进入人为接管状态；在检测到驾驶员的主动接管操作减少且车辆已脱离危险状态后，则控制ESP系统释放刹车。
911、在车辆刹车停止后，进行驻车操作和/或控制锁止装置将车辆锁止预设时长。
以上步骤的详细描述可参见自动紧急制动的决策方法各实施例的描述，在此不再赘述。本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行，例如步骤909、910可同时执行，910也可先于909执行。
本公开实施例，无需大规模的标定、查表及补偿，仅通过内部算法即可在合理的速度范围内保证系统性能。
本公开实施例，保留了融合感知、时间距离共同决策的优点，同时充分考虑驾驶员的驾驶体验和刹车性能，保证制动系统不会过早/过晚介入，也不会过早/过晚释放。
本公开实施例，还充分考虑了驾驶员接管以及最大制动持续时间等限制因素，即充分设计了AEB系统的冗余机制，形成了完整的解决方案。
本公开实施例，符合EURO-NCAP及C-NCAP对AEB系统的功能性能要求及标准。
本公开实施例，多传感器融合技术降低了“漏报”的概率，基于多传感器融合数据，对感知的障碍物进行二次筛选，得到有效障碍物有效降低了“误报”的概率。
本公开实施例，对于横向碰撞类型实现了纵横向解耦计算，只有当横纵向均处于危险状态时才予以紧急制动，同时保障了行人的安全，即使行人突然停止运动，车辆依然能够及时刹停。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员能够理解，本公开实施例并不受所描述的动作顺序的限制，因为依据本公开实施例，某些步骤可以采用其他顺序或者同时进行(例如判断AEB系统是否激活且车辆诊断是否正常，可以在感知到有效障碍物之前或之后进行；又例如，若AEB系统激活且车辆诊断为正常，则“计算碰撞时间，并基于碰撞时间，生成自动紧急制动的决策信息”与“基于自动紧急制动系统的状态，确定车辆与障碍物之间的最小碰撞距离”可以同时进行)。另外，本领域技术人员能够理解，说明书中所描述的实施例均属于可选实施例。
本公开实施例还提出一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如自动紧急制动的决策方法各实施例的步骤。为避免重复描述，在此不再赘述。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。
本领域的技术人员能够理解，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种自动紧急制动的决策方法，其特征在于，所述方法包括：
感知车辆前方的障碍物；
基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离；其中，所述最小碰撞距离与所述自动紧急制动系统的状态相关；
基于所述最小碰撞距离，生成自动紧急制动的决策信息。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
判断所述自动紧急制动系统是否激活且车辆诊断是否正常；
若激活且正常，则执行所述基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离的步骤。
3.根据权利要求1所述的方法，其特征在于，所述自动紧急制动系统的状态包括激活状态；
所述激活状态包括：初始化子状态、报警状态、轻刹制动状态、重刹制动状态和人为接管状态。
4.根据权利要求3所述的方法，其特征在于，所述最小碰撞距离包括：
初始化子状态迁移至报警状态的最小碰撞距离；
报警状态迁移至轻刹制动状态的最小碰撞距离；
报警状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至重刹制动状态的最小碰撞距离；
轻刹制动状态迁移至初始化子状态的最小碰撞距离；
重刹制动状态迁移至初始化子状态的最小碰撞距离。
5.根据权利要求1所述的方法，其特征在于，基于自动紧急制动系统的状态，确定所述车辆与所述障碍物之间的最小碰撞距离，包括：
基于所述车辆的状态和所述障碍物的状态，确定反应时间过后的速度信息和相对距离变化量；
基于所述自动紧急制动系统的状态和所述速度信息，确定所述反应时间过后的最小碰撞距离；
基于所述相对距离变化量和所述反应时间过后的最小碰撞距离，得到所述车辆与所述障碍物之间的最小碰撞距离。
6.根据权利要求1所述的方法，其特征在于，还包括：
判断所述自动紧急制动系统是否激活且车辆诊断是否正常；
若激活且正常，则计算碰撞时间，并基于所述碰撞时间，生成自动紧急制动的决策信息。
7.根据权利要求1所述的方法，其特征在于，基于所述最小碰撞距离，生成自动紧急制动的决策信息，包括：
若所述车辆与所述障碍物之间的相对距离小于所述最小碰撞距离，则生成自动紧急制动的决策信息，所述决策信息为所述最小碰撞距离对应的信息。
8.根据权利要求1所述的方法，其特征在于，还包括：
基于所述决策信息，生成执行指令，并向电子车身稳定系统发送所述执行指令。
9.一种车载设备，其特征在于，包括：处理器和存储器；
所述处理器通过调用所述存储器存储的程序或指令，用于执行如权利要求1至8任一项所述方法的步骤。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储程序或指令，所述程序或指令使计算机执行如权利要求1至8任一项所述方法的步骤。
CN201910569643.0A 2019-06-27 2019-06-27 一种自动紧急制动的决策方法、车载设备及存储介质 Active CN110356377B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910569643.0A CN110356377B (zh) 2019-06-27 2019-06-27 一种自动紧急制动的决策方法、车载设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910569643.0A CN110356377B (zh) 2019-06-27 2019-06-27 一种自动紧急制动的决策方法、车载设备及存储介质

Publications (2)

Publication Number Publication Date
CN110356377A true CN110356377A (zh) 2019-10-22
CN110356377B CN110356377B (zh) 2021-07-02

Family

ID=68215860

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910569643.0A Active CN110356377B (zh) 2019-06-27 2019-06-27 一种自动紧急制动的决策方法、车载设备及存储介质

Country Status (1)

Country Link
CN (1) CN110356377B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110825093A (zh) * 2019-11-28 2020-02-21 安徽江淮汽车集团股份有限公司 自动驾驶策略生成方法、装置、设备及存储介质
CN111114516A (zh) * 2019-12-25 2020-05-08 一汽解放汽车有限公司 一种自动紧急制动系统的控制方法、装置和重型商用车
CN111649955A (zh) * 2020-04-28 2020-09-11 东南大学 一种面向车路协同自动紧急制动系统的性能测评方法
CN111653126A (zh) * 2020-05-29 2020-09-11 长安大学 一种车辆通行黄灯期间的防追尾方法
CN111994073A (zh) * 2020-07-22 2020-11-27 北京交通大学 一种自动紧急制动控制方法
CN112046452A (zh) * 2020-08-31 2020-12-08 江西太空机器人科技有限公司 低速无人驾驶控制方法及系统
CN112141100A (zh) * 2020-09-10 2020-12-29 恒大新能源汽车投资控股集团有限公司 车辆控制方法、装置及车辆
CN112272807A (zh) * 2019-11-04 2021-01-26 深圳市大疆创新科技有限公司 一种控制方法、设备、可移动平台及存储介质
CN112455404A (zh) * 2020-12-07 2021-03-09 安徽江淮汽车集团股份有限公司 车辆制动控制的方法、设备、存储介质及装置
CN112606805A (zh) * 2020-12-17 2021-04-06 东风汽车集团有限公司 一种车辆自动紧急制动系统aeb的控制方法
CN112650225A (zh) * 2020-12-10 2021-04-13 广东嘉腾机器人自动化有限公司 Agv避障方法
CN112706728A (zh) * 2020-12-30 2021-04-27 吉林大学 基于视觉的路面附着系数估计的自动紧急制动控制方法
CN112721924A (zh) * 2021-01-19 2021-04-30 英博超算(南京)科技有限公司 一种结合驾驶员状态监控的自动紧急制动系统
CN113002532A (zh) * 2021-03-29 2021-06-22 广州小鹏自动驾驶科技有限公司 一种车辆控制的方法和装置
CN113353069A (zh) * 2021-07-22 2021-09-07 中国第一汽车股份有限公司 自动紧急制动系统、自动紧急制动系统的调校方法及系统
CN113844441A (zh) * 2021-10-14 2021-12-28 安徽江淮汽车集团股份有限公司 前碰预警制动系统的机器学习方法
WO2024144603A1 (en) * 2022-12-29 2024-07-04 Oyak Renault Otomobi̇l Fabri̇kalari Anoni̇m Şi̇rketi̇ Predictive advanced emergency brake system

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087255A1 (en) * 2000-12-28 2002-07-04 Nissan Motor Co., Ltd. Vehicle traveling control system
CN106347351A (zh) * 2016-09-28 2017-01-25 奇瑞汽车股份有限公司 一种带有自动紧急制动的自适应巡航方法及系统
WO2018210509A1 (de) * 2017-05-19 2018-11-22 Wabco Europe Bvba Verfahren und steuereinrichtung zur autonomen notbremsung eines eigenfahrzeugs

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20020087255A1 (en) * 2000-12-28 2002-07-04 Nissan Motor Co., Ltd. Vehicle traveling control system
CN106347351A (zh) * 2016-09-28 2017-01-25 奇瑞汽车股份有限公司 一种带有自动紧急制动的自适应巡航方法及系统
WO2018210509A1 (de) * 2017-05-19 2018-11-22 Wabco Europe Bvba Verfahren und steuereinrichtung zur autonomen notbremsung eines eigenfahrzeugs

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何仁，冯海鹏: "自动紧急制动（AEB）技术的研究与进展", 《汽车安全与节能学报》 *
胡志远，等: "基于PreScan的AEB系统纵向避撞算法及仿真验证", 《汽车安全与节能学报》 *

Cited By (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112272807A (zh) * 2019-11-04 2021-01-26 深圳市大疆创新科技有限公司 一种控制方法、设备、可移动平台及存储介质
CN110825093A (zh) * 2019-11-28 2020-02-21 安徽江淮汽车集团股份有限公司 自动驾驶策略生成方法、装置、设备及存储介质
CN111114516A (zh) * 2019-12-25 2020-05-08 一汽解放汽车有限公司 一种自动紧急制动系统的控制方法、装置和重型商用车
CN111114516B (zh) * 2019-12-25 2021-04-13 一汽解放汽车有限公司 一种自动紧急制动系统的控制方法、装置和重型商用车
CN111649955A (zh) * 2020-04-28 2020-09-11 东南大学 一种面向车路协同自动紧急制动系统的性能测评方法
CN111653126A (zh) * 2020-05-29 2020-09-11 长安大学 一种车辆通行黄灯期间的防追尾方法
CN111994073A (zh) * 2020-07-22 2020-11-27 北京交通大学 一种自动紧急制动控制方法
CN111994073B (zh) * 2020-07-22 2022-04-01 北京交通大学 一种自动紧急制动控制方法
CN112046452A (zh) * 2020-08-31 2020-12-08 江西太空机器人科技有限公司 低速无人驾驶控制方法及系统
CN112141100B (zh) * 2020-09-10 2021-09-21 恒大新能源汽车投资控股集团有限公司 车辆控制方法、装置及车辆
CN112141100A (zh) * 2020-09-10 2020-12-29 恒大新能源汽车投资控股集团有限公司 车辆控制方法、装置及车辆
CN112455404A (zh) * 2020-12-07 2021-03-09 安徽江淮汽车集团股份有限公司 车辆制动控制的方法、设备、存储介质及装置
CN112650225A (zh) * 2020-12-10 2021-04-13 广东嘉腾机器人自动化有限公司 Agv避障方法
CN112606805A (zh) * 2020-12-17 2021-04-06 东风汽车集团有限公司 一种车辆自动紧急制动系统aeb的控制方法
CN112706728A (zh) * 2020-12-30 2021-04-27 吉林大学 基于视觉的路面附着系数估计的自动紧急制动控制方法
CN112706728B (zh) * 2020-12-30 2022-03-25 吉林大学 基于视觉的路面附着系数估计的自动紧急制动控制方法
CN112721924A (zh) * 2021-01-19 2021-04-30 英博超算(南京)科技有限公司 一种结合驾驶员状态监控的自动紧急制动系统
CN112721924B (zh) * 2021-01-19 2022-04-19 英博超算(南京)科技有限公司 一种结合驾驶员状态监控的自动紧急制动系统
CN113002532A (zh) * 2021-03-29 2021-06-22 广州小鹏自动驾驶科技有限公司 一种车辆控制的方法和装置
CN113353069A (zh) * 2021-07-22 2021-09-07 中国第一汽车股份有限公司 自动紧急制动系统、自动紧急制动系统的调校方法及系统
CN113844441A (zh) * 2021-10-14 2021-12-28 安徽江淮汽车集团股份有限公司 前碰预警制动系统的机器学习方法
WO2024144603A1 (en) * 2022-12-29 2024-07-04 Oyak Renault Otomobi̇l Fabri̇kalari Anoni̇m Şi̇rketi̇ Predictive advanced emergency brake system

Also Published As

Publication number Publication date
CN110356377B (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN110395251A (zh) 一种基于多传感器融合数据的自动紧急制动决策方法
CN110356377A (zh) 一种自动紧急制动的决策方法、车载设备及存储介质
CN103158705B (zh) 用于控制本车的方法和系统
US10556589B2 (en) Vehicle control system, vehicle control method and vehicle control program
CN111775940B (zh) 一种自动换道方法、装置、设备及存储介质
CN105848981B (zh) 用于车辆的驾驶员辅助方法和系统
US20220169214A1 (en) Emergency braking for autonomous vehicles
CN103942960B (zh) 一种车辆变道检测方法及装置
CN111369831A (zh) 一种道路驾驶危险预警方法、装置和设备
CN110027554A (zh) 车辆避撞控制方法及系统
CN109017786A (zh) 车辆避障方法
CN105702088A (zh) 警报装置
CN109664882A (zh) 一种避免道路车辆二次碰撞的方法、系统及电子设备
CN106240565A (zh) 碰撞减轻和躲避
CN107848531A (zh) 车辆控制装置、车辆控制方法及车辆控制程序
CN106240559A (zh) 车辆的行驶控制装置
CN106114494A (zh) 一种用于车辆的倒车辅助防碰撞系统及方法
CN103380033A (zh) 车辆控制装置
CN109515435A (zh) 车辆防撞提醒的方法及装置
JP2022521137A (ja) 車両を安全化するための方法
CN109969200A (zh) 一种驾驶辅助方法、系统及车辆
CN110316056A (zh) 防止交通对象追尾方法、装置、计算机设备和存储介质
CN107878385A (zh) 汽车行车障碍报警方法和装置
CN112172818B (zh) 车辆的控制系统、车辆的控制方法以及存储介质
CN212570057U (zh) 一种道路驾驶危险预警装置和设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant