作者： 未名 来源： 复睿智行 日期： 2022年9月15日 12-10-22

AEB，即自动紧急制动系统（Autonomous Emergency Brake），是一种由控制模块（ECU）、传感器模块、制动模块和车辆人机交互模块共同构成的汽车主动安全技术。其通过雷达或/和摄像头等目标检测手段实时监测车辆前方机动车、电动车、有人骑行的自行车及行人情况，判断出现潜在风险时系统将自动采取预警与制动措施，为安全出行保驾护航。
 
上期《制动课堂∣论AEB系统与自动驾驶安全性（下）》已经提到，尽管AEB系统对于减少路面交通事故发生率效果显著，但受限于当前技术水平，AEB仍存在着一定的感知与判定短板，因而并非自动驾驶防撞措施的终极选项。
 
本期我们将继续对AEB的行业标准进行解读，探讨这一技术的局限性与补足手段。
 
01 解读AEB行业标准
在NCAP早期，AEB仅仅对位于本车前方同向行驶的车辆有效，即NCAP场景中的CCRx（Car-to-Car Rear Stationary/Moving/Braking）等。在这样的情况下，对于感知系统的能力需求相对较低，仅需识别同向行驶的车辆，且能够在天候情况良好的白天正常发挥功能即可。
 

 
随着技术的发展以及NCAP场景的不断完善和推进，AEB的功能实现越来越具有挑战性，进而对其子系统要求也越来越高，以2018年E-NCAP为例：
   
不同的重叠率为AEB带来了新的挑战。从前述AEB原理可知，当重叠率不同时，理论上所需的横向避撞操控要求也不尽相同。然而如果我们依然锁定一个阈值，例如以100%重叠时的场景为避免碰撞的基准，那么在±50%重叠率时，车辆则可能发生碰撞；反之，如果以±50%重叠率场景为避免碰撞的基准，那么在100%重叠率场景中，车辆刹停后可能距离前车较远。
   
此类场景首先就需要AEB感知系统能够识别行人及（骑行中的）自行车，其次，此类场景为横穿场景，对于感知传感器而言，需要一定能力的水平视场角（FoV-Field of View）以及较早检测到目标，根据NCAP场景要求进行简单计算。对于安装在车辆正中的传感器而言，50-60°FoV可以满足需求。
   
夜间场景的提出也进一步提高了对于AEB感知系统的要求，仅靠一定程度的环境光源加上车辆近/远光灯的照明条件实现AEB功能还是有相当的挑战。
 
 
E-NCAP2020对于AEB感知系统性能的有效得分也提出了更高的要求，即车速最高提升至130kph，同时不能降低其速度降性能表现。这些要求进一步推进了AEB系统的ODD（Operational Designed Domain），要求厂商确保感知系统在高速下的感知能力以及决策单元的鲁棒性。需要特别指出的是，AEB误触发问题的其中一种解决方式就是去限制其ODD范围，而NCAP protocol的推进，也令误触发问题的处理更具难度。
 
直至E-NCAP2020为止，AEB所应用的场景还是仅限于本车直行场景以及VRU（Vulnerable Road User弱势交通参与者）的低速横穿场景。而在E-NCAP2022场景中，新的场景要求为AEB带来了挑战性的变革。
   
在上图的场景中，本车在路口进行左转，过程中与对向来车有碰撞风险，要求AEB介入。AEB感知系统需要早而准的检测到对向来车，而且在行进过程中，也要时刻对目标车辆进行准确跟踪，同时计算本车左转的弯道路径与目标的路径是否存在TTC（即碰撞风险）。
 
 
类似的，上图场景是一个本车左转而对向行人横穿马路的场景，此时就要求本车感知系统拥有更宽的FoV，以提早发现行人并在整个过程中不丢失其行动轨迹。
 
 
在NCAP2022中也出现了倒车AEB的场景，显然，AEB系统需要增加后方的感知能力并作出适当行动判断，目前业界大多是依靠超声波传感器（USS）辅以后泊车摄像头来实现这一点。除了倒车场景外，目前拥有100°以上FoV的单视觉摄像头能够应对大多数场景。但我们不得不考虑到未来NCAP的更多可能性：
   
横穿场景的增多，尤其是高速横穿场景的加入，使得单一传感器已经很难解决感知问题，需要更多传感器加入以补足侧面感知不足的问题。复睿智行的毫米波雷达就能较好地辅助解决这些场景，其具备成本低、覆盖广、测距远、反应快等特点，可以作为视觉系统的良好搭档，快速提升有效目标的置信度，实现AEB高性能反应。
 
除了感知能力外，AEB系统的决策能力也需要加强，尤其是面对高速横穿场景。需要指出的是，刹车并不是避免碰撞的唯一选择（例如事实上可以通过加速来避免碰撞，而不恰当的刹车反而可能造成碰撞事故）。另外，在这种情况下，TTC就不是一个很好的衡量标准，应当与TTI/TTM (Time To Intersect/Time To Middle)代替/交互使用。
  ↑STA (Scooter Target Adult，类比于E-NCAP的PTW，Powered Two Wheeler)
 


02 AEB系统的短板
毫无疑问，AEB系统自面世以来，已经在避免/减缓交通事故发生，挽救生命及财产损失方面发货了重要作用。但无论是制造者还是使用者都需要认识到，AEB系统不是万能的，仍然存在着一定的短板。
 
如果对AEB进行评测的话，NCAP场景就是一套应试题，考生们可以通过不断地练习和“真题”测试获取高分。在这些测试中，不管是E-NCAP还是C-NCAP首先会先确定一种目标物（包括Dummy Vehicle，Dummy Pedestrian等），例如：
  上图：假人 假自行车
下图：GVT假车 (Global Vehicle Target)
 
这些假人假车的“拟真”程度都是需要先经过各主要厂家的传感器测试过才能够定型的，采用不易撞坏、容易拆解和组装的轻质材料，价格不菲，一套造价通常在百万元以上。
 
而在现实中，AEB系统要经受各种磨练：
 
①正常感知能力的局限
◆感知系统对于动态目标的识别率优于静态目标的识别率
◆感知系统对于车尾的识别优于车身/车头的识别（受限于NCAP）
◆白天的效果优于晚上
 
②天候与环境
首先，单一传感器都有自己难以单独解决的问题，例如：前文提到的雷达对于路面环境金属物品的敏感性；摄像头在雨雪天气的局限性以及低日照（Low-sun）产生耀斑影响感知能力的问题；激光雷达在雨雾天气中性能降低的问题。通过传感器组合可以某种程度上提高系统的可用性，但成本与性能的平衡也需要考虑。比如在刚进入/驶出隧道时背景光突变的情况下，摄像头可能会出现问题，此时可以通过其他传感器组合进行弥补，例如毫米波雷达。
 
③误触发（FP-False Positive）与漏触发（FN-False Negative）
“高分”TP与“低能”FP之间是AEB永恒的话题，感知系统的不完美引入误差会使得FN/FP难以解决。前文提到NCAP测试中的多重叠率测试，假如重叠率低至1%时，“保证不碰撞”对于感知系统产生的目标框（BBox，代表目标位置及大小）准确性要求极高，这是由于目标框的不准确性，AEB系统一般倾向于将感知系统报告的目标框缩小以避免误触发。又如在转弯场景中，由于感知系统对于目标的航向角（heading）测量不够准确，在之前的系统中也倾向于将此类场景排除出AEB ODD范围，以减小误触发。
   
为了检测相关FP及FN，一般整车在SOP前需要实施不少于30万公里的实车测试与数据收集。一旦在过程中出现任何一例AEB触发事件，基本可以被判定为误触发，因为一般驾驶员，即使是属于激进型驾驶员，在普通道路上也基本不可能成功故意触发AEB。收集下来的数据可以反复进行数据回灌以对AEB软件进行测试，以保证在解决原有问题的基础上不产生新的问题。
 
④对广泛目标（General Object）的AEB
在更长的时间维度上，针对广泛目标的AEB是工程人员的终极目标。但就当前而言，实现起来非常困难。这些广泛目标包括雪糕筒，电线杆，隔离栏，墙壁等，目前尚没有哪一种传感器可以很好的识别。
 
⑤异形目标
当年特斯拉与一辆白色卡车的撞击引发了人们对于“自动驾驶”的广泛关注与质疑，但实际上，直到今天，这一问题也没有得到很好的解决。例如一辆超低平板车、三轮车，或者装载着大树，同时树梢伸出车厢/车板延伸到后方的卡车，这种特殊情况如何解决目标判定问题？这就是自动驾驶行业的长尾问题。
   
03 AEB未来路在何方
对于未来而言，更多传感器的接入会使得AEB的ODD更加广泛，更优秀的算法也会对AEB产生影响。例如：
 
◆夜视传感器加入AEB感知系统，极大的补充了夜晚光照条件不理想的场景；
 
◆对有效目标种类进一步丰富，除目前的车辆、VRU外，可能对于路肩、护栏也纳入AEB范围，常规目标的识别精度进一步提高；
 
◆增加驾驶员行为学习反馈功能，可以基于驾驶员对目标的反应进行自学习；
 
◆AEB的速度降不太可能进一步提高，假设车辆最大减速度为1g，刹车时间为最大1.5s，则速度降为50kph；如果进一步提高最大减速度，例如沃尔沃可以达到12m/s^2,速度降达到65kph，这也基本上已经达到了极限值。
 
但与此同时，从最近的E-NCAP的路线图也可以看出，通过AEB来进行避撞可能已经进入瓶颈期。虽然AEB的系统动作最符合“让速不让道”的道路安全行驶要求，但仅仅依靠减速在当前技术条件下已经达到了性能极限。
 
相对应的，早在2020年E-NCAP就已在相应的测试规范中指出，如果在较高速度AEB无法达成测试项目时，可以使用AES代替。在未来，AES（Autonomous Emergency Steering）的作用将进一步凸显，成为AEB系统的一大补足。