✨ 长期致力于智能汽车、自动紧急制动、舒适性、典型工况研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
（1）基于碰撞时间与减速度变化率限制的分段减速度曲线设计：
提出舒适性AEB算法，碰撞风险评估采用改进的时间TTC，考虑前车与自车相对加速度，TTC_adj = -v_rel / a_rel + sqrt((v_rel/a_rel)^2 + 2*d_safe/a_rel) 。一旦TTC_adj低于2.0秒触发预警，低于1.0秒启动全力制动。制动减速度曲线分为三个阶段：初段在40毫秒内将减速度从0线性增加至0.3g，中段保持0.3g平稳减速300毫秒，末段在80毫秒内将减速度从0.3g增加至最大0.8g。减速度变化率jerk在前段为7.5g每秒，末段为6.25g每秒，均低于舒适性阈值12g每秒。在CarSim中针对60千米每小时速度跟车工况仿真，舒适性AEB的乘客头部x向加速度峰值0.55g，传统阶跃式AEB为1.1g，且新算法避撞后的余留距离多出2.3米，驾乘体感评分从3.2分提升至8.5分（十分制）。
（2）弯道与十字路口工况的自适应触发优化：
在弯道工况中引入横向稳定性监控，当方向盘转角超过90度时，将触发TTC阈值从1.0秒增加至1.5秒，同时最大制动减速度限制在0.5g以内，配合电子稳定程序进行轮速分配，防止侧滑。在十字路口工况，通过车联网获取红绿灯相位信息，若绿灯剩余时间小于3秒且自车速度高于30千米每小时，提高预警阈值至TTC小于2.2秒即报警，但制动介入推迟至TTC小于0.8秒，给予驾驶员自主决策窗口。仿真涉及五种典型弯道半径50米至200米，新策略在半径80米弯道中紧急制动时横向偏移量仅为0.2米，而传统策略偏移达0.9米接近车道线。十字路口测试中，决策误触发率减少52%。
（3）低附着路面制动压力自适应调节：
在冰雪路面附着系数0.2至0.4时，激活低附着模式，制动主缸压力建立速率降低至常规模式的50%，且目标减速度改为当前可实现最大附着系数的90%。通过轮速传感器估算路面附着系数，每隔50毫秒更新一次。目标减速度曲线整体下移，最大减速度设定为0.25g。同时加入制动防抱死协调，使滑移率保持在0.08至0.12之间。在PreScan中搭建对开路面（左右侧附着系数0.2与0.8），传统AEB导致车辆严重跑偏航向角变化达35度，而自适应低附着策略将航向角偏差控制在8度以内，且仍能成功避免碰撞。综合所有典型工况，舒适性AEB在保证安全前提下，平均减速度变化率仅为3.5g每秒，相比常规AEB的9.8g每秒显著改善，且驾驶员接管意愿提高64%。
import numpy as np class ComfortAEB: def __init__(self): self.ttc_thresh_warn = 2.0 self.ttc_thresh_brake = 1.0 self.max_decel = 8.0 # m/s^2 self.comfort_jerk = 12.0 # m/s^3 def compute_ttc_adj(self, v_rel, a_rel, d_safe=2.5): # 改进TTC计及相对加速度 if a_rel >= 0: return v_rel / (0.1 + np.abs(a_rel)) term = v_rel / a_rel ttc = -term + np.sqrt(term**2 + 2*d_safe/a_rel) return max(0.1, ttc) def curve_stage_decel(self, t, t_start, t_end, max_g): # 分段减速度曲线，单位g转换为m/s^2 g = 9.8 if t < t_start: return 0.0 elif t < t_start+0.04: # 初段线性增加至0.3g return (0.3*g) * (t-t_start)/0.04 elif t < t_start+0.34: return 0.3*g else: # 末段线性增加至max_g t_ramp = min(0.08, t - (t_start+0.34)) return 0.3*g + (max_g-0.3*g) * t_ramp/0.08 def low_friction_mode(self, mu_est): if mu_est < 0.4: max_decel_adj = 0.9 * mu_est * 9.8 pressure_rate = 0.5 else: max_decel_adj = self.max_decel pressure_rate = 1.0 return max_decel_adj, pressure_rate def decide_brake(self, ttc, steering_angle, mu_est): # 弯道自适应阈值 if abs(steering_angle) > 90: ttc_brake = 1.5 else: ttc_brake = self.ttc_thresh_brake if mu_est < 0.4: ttc_brake += 0.3 if ttc < self.ttc_thresh_warn: if ttc < ttc_brake: return 'full_brake' else: return 'pre_warn' return 'none' def simulate_brake_profile(self, duration, max_g, mu=0.8): dt = 0.01 times = np.arange(0, duration, dt) decel = [] for t in times: if mu < 0.4: g_eff = 0.9*mu*9.8 else: g_eff = max_g d = self.curve_stage_decel(t, 0.05, 0.39, g_eff) decel.append(d) return times, decel
