CN114116454A - 一种机非冲突场景下车辆自动紧急刹车模型的标定方法 - Google Patents

一种机非冲突场景下车辆自动紧急刹车模型的标定方法 Download PDF

Info

Publication number
CN114116454A
CN114116454A CN202111292786.5A CN202111292786A CN114116454A CN 114116454 A CN114116454 A CN 114116454A CN 202111292786 A CN202111292786 A CN 202111292786A CN 114116454 A CN114116454 A CN 114116454A
Authority
CN
China
Prior art keywords
motor vehicle
vehicle
conflict
mechanical
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.)
Pending
Application number
CN202111292786.5A
Other languages
English (en)
Inventor
王雪松
周维萱
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.)
Tongji University
Original Assignee
Tongji University
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 Tongji University filed Critical Tongji University
Priority to CN202111292786.5A priority Critical patent/CN114116454A/zh
Publication of CN114116454A publication Critical patent/CN114116454A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3684—Test management for test design, e.g. generating new test cases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3664—Environments for testing or debugging software
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/36—Preventing errors by testing or debugging software
    • G06F11/3668—Software testing
    • G06F11/3672—Test management
    • G06F11/3688—Test management for test execution, e.g. scheduling of test suites

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Quality & Reliability (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Traffic Control Systems (AREA)
  • Control Of Driving Devices And Active Controlling Of Vehicle (AREA)

Abstract

本发明涉及一种机非冲突场景下车辆自动紧急刹车模型的标定方法，该方法包括以下步骤：步骤1、利用阈值法与视频校核法从自然驾驶数据中提取出机动车与非机动车的冲突片段数据；步骤2、在仿真平台中还原冲突场景，进行避撞操作并测试避撞算法的参数；步骤3、使用安全性评价指标与保守性评价指标评价不同参数组合下的效果，确定模型的标定结果。与现有技术相比，本发明具有安全性高以及适用性高的优点。

Description

一种机非冲突场景下车辆自动紧急刹车模型的标定方法
技术领域
本发明涉及自动驾驶领域，尤其是涉及一种机非冲突场景下车辆自动紧急刹车模型的标定方法。
背景技术
我国非机动车保有量大，使用广泛，事故情况严重。据测算我国有近4亿辆自行车，近3亿辆电动自行车，由此引起的非机动车事故数量巨大，且非机动车事故往往更容易造成人员伤亡。不仅在中国，其他亚洲国家，如泰国、柬埔寨、印度尼西亚，以及瑞典等欧洲国家也正在面临非机动车数量增长，非机动车事故涌现的情况。在自动驾驶技术日益进步的趋势下，避免与非机动车的事故是自动驾驶车辆必须面对的严峻挑战。
自动紧急刹车(Autonomous Emergency Braking，AEB)是一种用于避免前向碰撞的车辆主动安全功能，其通过计算碰撞时间、安全刹车距离、刹车时间等指标判断车辆与前方障碍物发生碰撞的可能性，并在情况紧急时采取自动刹车避免事故发生。然而，目前的自动紧急刹车系统多针对于车辆间的碰撞，部分针对机动车与非机动车碰撞的测试与研究也多采用特定场景进行测试，对于应对复杂多变的非机动车实际行进场景缺乏详实研究。
针对非机动车的自动紧急刹车算法需要更好地适应非机动车的行进特征以及刹车特征，采用合适的触发条件以及减速策略，在确保安全性的基础上保证通行效率，亟需设计一种标定方法。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供了一种安全性高、适用性高的机非冲突场景下车辆自动紧急刹车模型的标定方法。
本发明的目的可以通过以下技术方案来实现：
本发明提供了一种机非冲突场景下车辆自动紧急刹车模型的标定方法，该方法包括以下步骤：
步骤1、利用阈值法与视频校核法从自然驾驶数据中提取出机动车与非机动车的冲突片段数据；
步骤2、在仿真平台中还原冲突场景，进行避撞操作并测试避撞算法的参数；
步骤3、使用安全性评价指标与保守性评价指标评价不同参数组合下的效果，确定模型的标定结果。
优选地，所述冲突片段数据的关键参数包括横向减速度、纵向减速度、碰撞时间TTC、紧急事件按钮触发情况和与前车的距离。
优选地，所述步骤1中的阈值法用于筛选机动车与非机动车的冲突事件，具体为：所述冲突片段数据的关键参数满足以下任一个条件即列入候选的机动车与非机动车冲突事件集合；
所述条件包括：1)纵向减速度大于预设值；2)横向加速度的绝对值大于预设值；3)驾驶员按下仪表盘上的紧急事件按钮；4)纵向减速度大于预设值且前向TTC小于等于预设值；5)同时满足纵向减速度大于预设值、前向TTC小于等于预设值以及距离机动车与非机动车的距离小于等于预设值。
优选地，所述步骤1中的视频校核法用于对阈值法筛选过后的机动车与非机动车冲突事件集合进行二次校核，具体为：基于候选的机动车与非机动车冲突事件集合的车载视频，删除机动车与除非机动车以外的交通参与者的冲突场景。
优选地，所述机动车与非机动车冲突事件具体为：机动车或非机动车中的任意一方需要采用紧急的避撞操作以避免碰撞的事件，所述避撞操作包括刹车和转向。
优选地，所述步骤2为：使用步骤1中提取的机动车与非机动车的冲突片段数据，在仿真平台中构建用于还原非机动车的轨迹以及速度的仿真场景，实现避撞算法，确定测试参数集，开展仿真实验。
优选地，所述在仿真平台中构建用于还原非机动车的轨迹以及速度的仿真场景具体为：
依据步骤1中提取的机动车与非机动车的冲突片段数据，该数据包括机动车速度，机动车与非机动车的相对距离，以及机动车与非机动车的相对速度；
所述非机动车的速度通过机动车的速度以及机动车与非机动车的相对速度推导得出，推导表达式为：
Figure BDA0003335232820000031
Figure BDA0003335232820000032
其中，i表示时间序列中的第i个数据，
Figure BDA0003335232820000033
和
Figure BDA0003335232820000034
分别是非机动车的纵向位置和横向位置，
Figure BDA0003335232820000035
和
Figure BDA0003335232820000036
是分别是非机动车纵向速度和横向速度，Δt是仿真步长，
Figure BDA0003335232820000037
和
Figure BDA0003335232820000038
分别是机动车和非机动车的初始相对距离。
优选地，所述避撞算法为AEB自动紧急刹车算法，该算法在仿真平台的实现过程具体为：
仿真测试在基于Matlab Simulink的仿真平台中进行，所述仿真平台融合雷达和摄像头的数据，根据前方障碍物的位置，采用AEB自动紧急刹车算法判断下一个仿真步长所需要采用加速度以及速度，并通过车辆控制模块控制车辆加减速以及转向；
所述AEB自动紧急刹车算法，在车辆的前向TTC小于预设阈值时，采取紧急刹车，所述刹车的力度为设定值。
优选地，所述测试参数集的选取过程为：
所述标定对象包括AEB自动紧急刹车算法中TTC的阈值和减速度；
从自然驾驶的冲突片段数据中提取车辆最大减速度的a％，b％以及c％分位数作为三个测试参数，提取冲突时刻车辆速度的a％，b％以及c％分位数并与最大减速度的三个分位数相除，得到TTC的三个测试参数；
将减速度与TTC的三个测试参数进行组合，得到9组测试参数集。
优选地，所述步骤3中的安全性评价指标包括碰撞数量、时间综合碰撞时间TIT以及驾驶波动性；所述保守性评价指标为触发刹车时的车辆相对距离。
与现有技术相比，本发明具有以下优点：
1)自然驾驶车辆能够通过多路摄像头以及数据采集设备完整地记录测试车以及周围车辆的运动情况，相较于许多测试研究中所采用的事故数据，自然驾驶场景还原的场景更为真实，且能够提取比事故发生率更高的紧急事件，使算法的研究与参数标定具有更强的普适性；
2)针对机动车与非机动车的冲突事件进行了避撞模型的标定，提升了自动驾驶车辆与非机动车的交互安全。
附图说明
图1为本发明的方法流程图；
图2为实施例中五组参数的时间综合碰撞时间TIT评估结果示意图；
图3为实施例中五组参数的速度标准差评估结果示意图；
图4为实施例中五组参数的刹车触发时的TTC与相对距离评估结果示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。
实施例
本发明涉及一种机非冲突场景下车辆自动紧急刹车模型的标定方法，应用于自动驾驶主动安全领域。基于自然驾驶数据，采用阈值法与视频校核法结合的方法提取机动车与非机动车冲突片段。在Matlab Simulink仿真平台中还原冲突场景，实现自动紧急刹车(Autonomous Emergency Braking，AEB)功能。从自然驾驶数据中提取测试参数集，并在仿真平台中进行仿真与验证。模型的标定以驾驶安全性最高以及保守性最低为目标，对比不同测试参数集的各项安全性与保守性指标，确定模型标定结果。发明中得到的模型标定结果能够保证自动驾驶车辆在机动车与非机动车交互中的安全性，同时具有较高的真实性与普适性。
如图1所示，本实施例给出的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其步骤如下：
步骤1：利用阈值法与视频校验法从上海自然驾驶数据中提取机动车与非机动车冲突片段，具体为：
步骤1.1：阈值法筛选机动车与非机动车冲突事件：
机动车与非机动车冲突事件，或紧急事件，指机动车或者非机动车中的任意一方需要采用紧急的避撞操作以避免碰撞的事件，所述避撞操作包括刹车、转向等。
提取机动车与非机动车冲突事件的关键参数包括横向减速度，纵向减速度，TTC(Time-to-collision)碰撞时间，紧急事件按钮触发情况，与前车距离；满足以下五个触发条件的任意一个即可被列入候选的机动车与非机动车冲突事件集合：
1)纵向减速度大于0.6g；
2)横向加速度的绝对值大于0.75g；
3)驾驶员按下仪表盘上的紧急事件按钮；
4)纵向减速度大于0.5g且前向TTC小于等于4s；
5)纵向减速度大于0.4g,且前向TTC小于等于4s，且距离非机动车距离小于等于30m。
其中g是重力加速度，1g＝9.8m/s2
步骤1.2：视频校核法对候选的机动车与非机动车冲突事件集合进行二次校核：
校核候选机动车与非机动车冲突事件的车载视频，删除机动车与除非机动车以外的其他交通参与者的冲突场景；所述除非机动车以外的其他交通参与者包括机动车和行人。
本实施例选取某市自然驾驶数据，共提取了108个机动车与非机动车冲突片段。
步骤2：仿真实验。使用步骤1中提取的数据，在基于Matlab Simulink的仿真平台中构建仿真场景，进行避撞操作，并确定测试参数组合集，并开展仿真实验测试避撞算法的参数。
步骤2.1：仿真场景构建。
仿真场景需要还原非机动车的轨迹以及速度，并在仿真中测试车辆控制算法在不同场景下的效果。仿真场景的构建依据步骤1中提取的事件中车辆动力学参数，包括机动车速度，机动车与非机动车的相对距离，以及机动车与非机动车的相对距离的相对速度。
所述非机动车的速度可通过机动车的速度以及机动车与非机动车的相对速度推导，其推导表达式为：
Figure BDA0003335232820000051
Figure BDA0003335232820000052
其中，i表示时间序列中的第i个数据，
Figure BDA0003335232820000053
和
Figure BDA0003335232820000054
分别是非机动车的纵向和横向位置，
Figure BDA0003335232820000055
和
Figure BDA0003335232820000056
是非机动车纵向和横向速度，Δt是仿真步长，本实施例设为0.1s，
Figure BDA0003335232820000057
和
Figure BDA0003335232820000058
是机动车和非机动车的初始相对距离。本实施例的仿真中非机动车的初始位置坐标为(0,0)，因此非机动车的初始位置坐标是两者相对距离。
步骤2.2：仿真算法实现。
仿真测试在Matlab Simulink的中进行，仿真平台融合雷达和摄像头的数据，根据前方障碍物的位置，采用自动紧急刹车(Autonomous Emergency Braking，AEB)算法判断下一个仿真步长所需要采用加速度以及速度，并通过车辆控制模块控制车辆加减速与转向。AEB功能在车辆的前向TTC碰撞时间小于事先确定的阈值时采取紧急刹车，刹车力度为设定值。
步骤2.3：测试参数集。
标定的对象为AEB算法中的TTC阈值以及减速度两个参数。为使自动驾驶车辆的减速更为合理，从自然驾驶冲突片段中提取车辆最大减速度的50％，75％以及95％分位数作为三个测试参数，提取冲突时车辆速度的50％，75％以及95％分位数并与最大减速度的三个分位数相除，得到TTC的三个测试参数。将减速度与TTC的三个测试参数进行组合，得到9组测试参数集。
步骤3：结果评估。评价不同参数组合下安全性、驾驶稳定性、保守性等因素，确定自动紧急避撞算法在机动车与非机动车冲突场景下的参数标定结果。
步骤3.1：评价指标。
AEB算法以保障自动驾驶的安全性，避免事故发生为主要目标，同时以避免过分保守而浪费道路资源为次要目标。
所述安全性评价指标包括碰撞数量、时间综合碰撞时间(Time-integrated TTC，TIT)以及驾驶波动性；所述保守性评价指标为触发刹车时的车辆相对距离。
如图2-图4分别为本实施例进行的自动紧急刹车算法的五组参数的测试结果，测试参数均从自然驾驶冲突片段中提取。
其中，五组参数设置分别为：
第一组参数：加速度＝4.5m/s2,，TTC＝2.0s；
第二组参数：加速度＝4.5m/s2,，TTC＝2.4s；
第三组参数：加速度＝5.5m/s2,，TTC＝1.6s；
第四组参数：加速度＝5.5m/s2,，TTC＝2.0s；
第五组参数：加速度＝5.5m/s2,，TTC＝3.0s。
下面针对测试结果进行分析：
驾驶安全性方面，第一组参数(加速度＝4.5m/s2，TTC＝2.0s)下发生一起事故，其余四种组合下均为发生事故。
TIT指标第二组和第五组参数最小，安全性最高，驾驶稳定性方面几组参数差异不大。由于避免事故是自动紧急刹车算法最基本安全目标，因此从安全性角度考虑，即使五组参数在TIT与驾驶稳定性方面存在一定差异，但是后四组都能够完全避免事故，在安全性角度差异不大。
从保守性角度分析，第三组参数刹车触发时的TTC和相对距离均最小，说明算法没有过早进行刹车，保守性较低，对通行效率的影响较低，因此认为第三组的保守性最低。
综合安全性与保守性两个角度，第三组参数(加速度＝5.5m/s2，TTC＝1.6s)为机动车与非机动车冲突场景下自动紧急刹车模型的参数标定结果。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，该方法包括以下步骤：
步骤1、利用阈值法与视频校核法从自然驾驶数据中提取出机动车与非机动车的冲突片段数据；
步骤2、在仿真平台中还原冲突场景，进行避撞操作并测试避撞算法的参数；
步骤3、使用安全性评价指标与保守性评价指标评价不同参数组合下的效果，确定模型的标定结果。
2.根据权利要求1所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述冲突片段数据的关键参数包括横向减速度、纵向减速度、碰撞时间TTC、紧急事件按钮触发情况和与前车的距离。
3.根据权利要求2所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述步骤1中的阈值法用于筛选机动车与非机动车的冲突事件，具体为：所述冲突片段数据的关键参数满足以下任一个条件即列入候选的机动车与非机动车冲突事件集合；
所述条件包括：1)纵向减速度大于预设值；2)横向加速度的绝对值大于预设值；3)驾驶员按下仪表盘上的紧急事件按钮；4)纵向减速度大于预设值且前向TTC小于等于预设值；5)同时满足纵向减速度大于预设值、前向TTC小于等于预设值以及距离机动车与非机动车的距离小于等于预设值。
4.根据权利要求3所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述步骤1中的视频校核法用于对阈值法筛选过后的机动车与非机动车冲突事件集合进行二次校核，具体为：基于候选的机动车与非机动车冲突事件集合的车载视频，删除机动车与除非机动车以外的交通参与者的冲突场景。
5.根据权利要求4所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述机动车与非机动车冲突事件具体为：机动车或非机动车中的任意一方需要采用紧急的避撞操作以避免碰撞的事件，所述避撞操作包括刹车和转向。
6.根据权利要求1所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述步骤2为：使用步骤1中提取的机动车与非机动车的冲突片段数据，在仿真平台中构建用于还原非机动车的轨迹以及速度的仿真场景，实现避撞算法，确定测试参数集，开展仿真实验。
7.根据权利要求6所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述在仿真平台中构建用于还原非机动车的轨迹以及速度的仿真场景具体为：
依据步骤1中提取的机动车与非机动车的冲突片段数据，该数据包括机动车速度，机动车与非机动车的相对距离，以及机动车与非机动车的相对速度；
所述非机动车的速度通过机动车的速度以及机动车与非机动车的相对速度推导得出，推导表达式为：
Figure FDA0003335232810000021
Figure FDA0003335232810000022
其中，i表示时间序列中的第i个数据，
Figure FDA0003335232810000023
和Pi y分别是非机动车的纵向位置和横向位置，
Figure FDA0003335232810000024
和
Figure FDA0003335232810000025
是分别是非机动车纵向速度和横向速度，Δt是仿真步长，
Figure FDA0003335232810000026
和
Figure FDA0003335232810000027
分别是机动车和非机动车的初始相对距离。
8.根据权利要求6所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述避撞算法为AEB自动紧急刹车算法，该算法在仿真平台的实现过程具体为：
仿真测试在基于Matlab Simulink的仿真平台中进行，所述仿真平台融合雷达和摄像头的数据，根据前方障碍物的位置，采用AEB自动紧急刹车算法判断下一个仿真步长所需要采用加速度以及速度，并通过车辆控制模块控制车辆加减速以及转向；
所述AEB自动紧急刹车算法，在车辆的前向TTC小于预设阈值时，采取紧急刹车，所述刹车的力度为设定值。
9.根据权利要求6所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述测试参数集的选取过程为：
所述标定对象包括AEB自动紧急刹车算法中TTC的阈值和减速度；
从自然驾驶的冲突片段数据中提取车辆最大减速度的a％，b％以及c％分位数作为三个测试参数，提取冲突时刻车辆速度的a％，b％以及c％分位数并与最大减速度的三个分位数相除，得到TTC的三个测试参数；
将减速度与TTC的三个测试参数进行组合，得到9组测试参数集。
10.根据权利要求1所述的一种机非冲突场景下车辆自动紧急刹车模型的标定方法，其特征在于，所述步骤3中的安全性评价指标包括碰撞数量、时间综合碰撞时间TIT以及驾驶波动性；所述保守性评价指标为触发刹车时的车辆相对距离。
CN202111292786.5A 2021-11-03 2021-11-03 一种机非冲突场景下车辆自动紧急刹车模型的标定方法 Pending CN114116454A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111292786.5A CN114116454A (zh) 2021-11-03 2021-11-03 一种机非冲突场景下车辆自动紧急刹车模型的标定方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111292786.5A CN114116454A (zh) 2021-11-03 2021-11-03 一种机非冲突场景下车辆自动紧急刹车模型的标定方法

Publications (1)

Publication Number Publication Date
CN114116454A true CN114116454A (zh) 2022-03-01

Family

ID=80380380

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111292786.5A Pending CN114116454A (zh) 2021-11-03 2021-11-03 一种机非冲突场景下车辆自动紧急刹车模型的标定方法

Country Status (1)

Country Link
CN (1) CN114116454A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766636A (zh) * 2017-10-12 2018-03-06 东南大学 一种基于极值理论与微观仿真的城市交叉口安全评价方法
CN111551382A (zh) * 2020-05-12 2020-08-18 中国科学院心理研究所 一种测试驾驶员车距控制能力的系统和使用方法
WO2020187254A1 (zh) * 2019-03-18 2020-09-24 长城汽车股份有限公司 自动驾驶车辆的纵向控制方法系统
CN111723470A (zh) * 2020-05-26 2020-09-29 同济大学 一种基于标定优化rss模型的自动驾驶控制方法
CN113188807A (zh) * 2021-02-05 2021-07-30 深圳大雷汽车检测股份有限公司 一种abs结果自动判定算法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107766636A (zh) * 2017-10-12 2018-03-06 东南大学 一种基于极值理论与微观仿真的城市交叉口安全评价方法
WO2020187254A1 (zh) * 2019-03-18 2020-09-24 长城汽车股份有限公司 自动驾驶车辆的纵向控制方法系统
CN111551382A (zh) * 2020-05-12 2020-08-18 中国科学院心理研究所 一种测试驾驶员车距控制能力的系统和使用方法
CN111723470A (zh) * 2020-05-26 2020-09-29 同济大学 一种基于标定优化rss模型的自动驾驶控制方法
CN113188807A (zh) * 2021-02-05 2021-07-30 深圳大雷汽车检测股份有限公司 一种abs结果自动判定算法

Similar Documents

Publication Publication Date Title
CN111599181B (zh) 用于智能驾驶系统测试的典型自然驾驶场景识别提取方法
CN104724103B (zh) 交通工具间控制设备和交通工具间控制方法
CN104114423B (zh) 用于测定车辆的紧急制动状况的方法
EP2285632B1 (de) Fahrerassistenzsystem
JP6372228B2 (ja) 衝突予想時間算出装置
DE112016003572T5 (de) Fahrzeugsteuerungsvorrichtung, fahrzeugsteuerungsverfahren und fahrzeugsteuerungsprogramm
US20150105993A1 (en) System and apparatus for controlling speed in excess speed enforcement section
DE102016226040A1 (de) Verfahren und Vorrichtung in einem Kraftfahrzeug zum Fußgängerschutz
WO2008043852A1 (de) System zur bestimmung von objekten
Op den Camp et al. Cyclist target and test setup for evaluation of cyclist-autonomous emergency braking
DE102013215100A1 (de) Bereitstellen eines Umfeldmodells beim Ausfall eines Sensors eines Fahrzeugs
Yang et al. A systematic review of autonomous emergency braking system: impact factor, technology, and performance evaluation
CN113096424B (zh) 一种行人横穿的车辆自动紧急制动方法及系统
DE102013224171A1 (de) Verfahren und Steuer- und Erfassungseinrichtung zur Erkennung einer Einfahrt eines Kraftfahrzeugs in einen Fahrstreifen einer Straße entgegen einer Fahrrichtung
CN105480225B (zh) 车辆碰撞后前向运动的减缓
CN115081822A (zh) 一种基于心理和物理风险场的行车风险评估方法和系统
CN111145554A (zh) 一种基于自动驾驶aeb的场景定位方法和装置
CN114116454A (zh) 一种机非冲突场景下车辆自动紧急刹车模型的标定方法
Li et al. Design concept and method of advanced driver assistance systems
CN116118776A (zh) 车辆的安全控制方法、装置、电子设备及存储介质
CN115892024A (zh) 汽车行驶场景识别控制系统、方法及存储介质
DE102009045921B4 (de) Vorrichtung für ein Kraftfahrzeug
CN113911131A (zh) 面向自动驾驶环境人车冲突的责任敏感安全模型标定方法
DE102016224935A1 (de) Verfahren zum Betreiben eines Fahrzeugs
Chen et al. Brake response time under near-crash cases with cyclist

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