你是否还记得前几年，华为公司余承东与小鹏汽车何小鹏，就各自车辆的自动紧急制动系统（AEB）功能展开了激烈讨论，相关话题在网络上引发热议。

今年的中国电动汽车百人会论坛上，‌AEB依然成为热议话题。与过去大家极力鼓吹AEB不同，这一次，大家开始对AEB这项技术开始“冷思考”。

第一，是AEB在高速场景下，是否存在局限性。比如说，雷军曾在小米SU7上市时介绍，小米SU7 AEB功能实测在135km/h时速下，成功识别前方车道静止故障车并刹停，但在前阵子的某次事故中，车辆与隔离带水泥桩碰撞前系统最后可以确认的时速约为97km/h。

第二，是AEB是否被被夸大宣传了。比如说，百人会论坛上一组数据显示，56%的消费者将L2级辅助驾驶（含AEB）误认为自动驾驶，因驾驶员误判系统能力导致的事故率同比上升12%，与AEB的初衷背道而驰。

以上种种信息，告诫着我们，是时候该重新审视AEB技术了。

“AEB都没做好，谈什么NOA智驾。”这是业界常说的一句话。每隔一段时间AEB（自动紧急制动系统，Autonomous Emergency Braking）总能上热搜，说明大家对AEB这一救命功能非常重视。

开车时注意力不集中可能会产生严重后果。美国高速公路安全管理局（NHTSA）的调查结果显示，道路交通事故中约90%是由驾驶员操作失误导致的，而车辆故障仅占3%。这一现象在追尾碰撞中尤为突出：31%的追尾事故中驾驶员未采取任何制动措施；49%的案例中驾驶员实施了制动但制动力不足；另有20%驾驶员虽全力制动但制动时机过晚。

为了降低追尾或转弯碰撞的风险或减轻其后果，AEB便应运而生。它是通过自动制动来避免或者缓解碰撞的一种主动安全技术，属于先进驾驶辅助系统（ADAS）的范畴。简单点说AEB，就像副驾驶的教练，能在危险时候帮你踩刹车。

不过，需要注意的是，虽然现在很多汽车都拥有AEB功能，但驾驶员仍然必须专心并始终小心驾驶。

AEB工作原理和智驾整体的思路差不多。分为感知、决策、执行。

感知

感知系统的核心任务是识别前方物体及其距离，主要依赖毫米波雷达、4D成像雷达、激光雷达和摄像头等传感器，但每种传感器在物体识别、测距精度和环境适应性方面各具优劣，目前尚无完美解决方案。目前AEB领域这些传感器主要玩家包括：

• 毫米波雷达：主要包括BOSCH、Continental、DELPHI、TRW、DENSO、HITACHI等，BOSCH、Continental等现已掌握77GHz毫米波雷达技术；中国大陆企业的产品主要是中短程毫米波雷达，如杭州智波、芜湖森思、深圳卓泰、沈阳承泰、南京隼眼电子等，产品主要以24 GHz毫米波雷达为主，对77 GHz产品研发刚起步，但发展很快；

• 单目、双目摄像头：主要包括BOSCH、Continental、DENSO等，国外的DELPHI、Mobileye、LG等以及中国大陆的中科慧眼、智华汽车电子、Maxi Eye、纵目科技、创来科技、前向启创、极目智能等厂商则从摄像头领域切入ADAS领域；

• 激光雷达：Velodyne、Quanergy、Ibeo、速腾聚创、北科天绘、禾赛科技等。

当前技术路线呈现两极分化：一方采用多传感器融合的'全家桶'方案，即“激光雷达+摄像头+毫米波雷达”，虽信息全面却存在传感器数据冲突导致决策系统过载的风险；另一方坚持纯视觉路线，认为人类视觉能做到的机器同样可以，这种方案若成功将带来行业突破，但实现难度极大。这两种技术路径各有千秋，也各自面临严峻挑战。

2024年全球主流OEM及供应商采用的AEB技术方案分为：

• 纯视觉方案：前视单目/双目摄像头，代表厂商为Tesla（HW3.0+）、Mobileye EyeQ5，核心算法为深度学习（BEV+Transformer）；

• 视觉+前向毫米波雷达：摄像头+1前向77GHz雷达，代表厂商为博世（Bosch MRR）、大陆，核心算法为ARS4-B多目标跟踪（JPDA）+规则逻辑；

• 多传感器融合方案：摄像头+前向雷达+角雷达+激光雷达（可选），代表厂商为小鹏G9、蔚来ET7（Aquila超感系统），核心算法为深度学习+卡尔曼滤波+Occupancy网络；

• 4D成像雷达方案：摄像头+4D毫米波雷达（如大陆ARS540），代表厂商为理想L9、极氪001 FR，核心算法为点云语义分割+多模态融合；

• 低成本方案：单目摄像头+低线数雷达（24GHz），代表车型为比亚迪部分车型、五菱宏光MINI EV，核心算法为传统计算机视觉（阈值判断）。

决策

当系统识别出前方障碍物及其距离后，需要结合当前车速进行制动决策。其核心算法基于碰撞时间（TTC）计算，公式为TTC = frac{S}{Vr}，其中S是车距，Vr是相对速度。系统实时监测本车与前车的速度、加速度等动态参数来计算TTC值，并在此基础上引入风险系数进行综合判断。

这个风险系数的设定标准因厂商而异，形成了保守与激进两种调校风格：保守设定可能导致频繁误触发，让驾驶者觉得系统过于敏感；而激进设定又可能因介入不足导致制动不及时。如何平衡安全性与用户体验，正是各厂商面临的核心技术难题。

执行

基于实时计算的碰撞时间（TTC）和动态风险评估，AEB系统通过智能模糊控制算法生成最优制动减速度指令。该指令触发整车制动系统的协同响应：电子稳定控制系统（ESC）确保车身动态稳定性，防抱死制动系统（ABS）精确调控轮端制动力，形成一套完整的紧急制动解决方案。

这种多系统毫秒级协同的精密程度，直接决定了车辆AEB性能的三大核心指标：最短制动距离、有效工作速域范围以及制动过程平顺性，这也是区分不同品牌AEB系统性能优劣的关键技术门槛。

AEB自动紧急制动系统主要由行车环境信息采集单元（传感器）、电子控制单元（中央处理器）和执行单元（执行机构）三部分组成，包含了报警和紧急制动两大系统，主要由测距模块、控制模块（ECU）和制动模块3大模块构成。

• 测距模块，也叫感知模块，是AEB系统的关键模块，其核心包括微波雷达、激光雷达、人脸识别技术和视频系统等，可以采集和提供前方道路安全、准确、实时的图像和路况信息，为控制模块提供数据。

• 控制模块是AEB系统的“大脑”，由处理器、储存器和接口等部分组成，可以根据数据计算出与前方障碍物之间的预计碰撞时间（TTC）和安全制动距离，分析之后会通过图像或语音向驾驶员发出警告。当驾驶员制动过晚、制动力过小或完全无制动措施时，AEB系统会对是否减速、刹停进行判断并发出执行指令。

• 制动模块主要负责执行制动的指令，可以辅助增加制动力或紧急制动，控制车速，从而规避部分碰撞风险。

关键参数的计算包括：目标和自车的预测轨迹、增强型TTC、刹车时机TTB、碰撞点位置的计算、碰撞挽回的概率、减速度的计算、复杂的状态机参数。

关键场景判断如下：

AEB看似简单，实则并非如此。'踩刹车'的基础功能要实现精准可靠，需要突破三重技术壁垒：首先是'看得准'的感知难题，传感器必须像老司机般明察秋毫；其次是'反应快'的延时挑战，从识别到制动的系统响应必须快过眨眼瞬间；最后是'判得对'的算法考验，同样的硬件配置可能因决策逻辑不同产生截然不同的表现。让我们抛开复杂公式，深入剖析这些关键技术难点。

AEB（自动紧急制动）系统的优劣不仅取决于刹停速度，还涉及传感器精度、算法融合、控制逻辑调校等多个维度。

一是传感器与感知算法。

• 视觉识别：前置摄像头需准确识别车辆、二轮车、行人等目标，并对其进行分类。

• 传统方案：前视一体机通常采用CNN（卷积神经网络）进行目标检测，并融合毫米波雷达的测距数据。但传统毫米波雷达仅能测量速度、距离和水平角度，无法获取高度信息，因此需结合摄像头数据，确保融合算法的准确性。

• 高度信息的重要性：例如，儿童（矮小）和挂车（底盘高）的识别高度依赖精准的高度判定。

• 高阶方案：在采用ADAS域控制器的硬件方案中，算力更强，主流算法转向Transformer，可融合前视摄像头、毫米波雷达，甚至激光雷达点云数据，但多传感器融合对算法要求极高。

二是控制逻辑调校。

AEB的制动策略需根据车速、场景（城区/高速）、目标类型（车辆/二轮车/行人）进行精细化调整。

以某款新车型为例，AEB的制动模式分为：柔和制动（减速度 1.5~6 m/s²）；强力制动（减速度 1.5~10 m/s²）。

不同场景下的AEB策略：静止车辆（4~80 km/h）：触发强力制动，要求速度降幅≥45 km/h；

移动车辆（5~150 km/h）：先施加1.5 m/s²减速度，随后提升至6 m/s²；行人（4~65 km/h）：制动减速度范围1.5~10 m/s²。

当驾驶员踩刹车时，AEB会对比驾驶员制动力与系统需求制动力：若驾驶员制动力不足，系统将主动增强制动，最高可请求ESC输出12 m/s²的减速度，以最大限度避免碰撞。

三是验证的难点。

正向验证操作相对简便，需在测试场地针对每个工况展开测试，测试场景通常围绕 NCAP 要求设定。即便产品开发过程中存在不足，通过打补丁、反复调整参数等手段，也能让产品达到较好性能。然而，单纯依赖正向验证并不足以全面验证产品，它存在一定局限性。此外，正向验证过程中产生的优质案例，可用于构建正向测试集。该测试集能为后续算法迭代更新后的回归测试，提供对比真值，助力评估算法变化带来的影响。

误触发验证需要积累海量数据。当算法全链路在大量行驶里程中都未出现误触发情况，结合正向测试结果，可判定产品验证较为充分。但每次算法迭代都基于如此庞大的数据集进行验证，会消耗大量时间和算力，并不现实。因此，构建小而精的危险工况场景库是更优解决方案。如图所示，通过人工标注、数据挖掘、分析首次运行结果等方式，筛选相关数据片段，纳入危险工况场景库。后续每次算法迭代进行回归测试时，针对误触发验证，只需基于该场景库开展，既能降低成本，又能提升验证效率 。

目前，全球主要汽车市场正在加速推进AEB系统的强制安装政策。欧盟率先要求2024年7月起所有新车型强制搭载AEB系统；中国紧随其后，规定2025年第四季度起所有新申请营运资质的商用车型必须配备该技术。

行业分析显示，随着法规要求的持续深化，AEB技术有望在未来3~5年内实现全球新车市场全覆盖，成为继安全带、安全气囊之后最重要的汽车安全配置。

目前，随着AEB的普及，各国和地区制定了多项标准以规范其性能和适应性。以下是一些主流的AEB标准及其测试要求：

联合国欧洲经济委员会（UN ECE）标准

• UN ECE R131（商用车AEBS）：适用于M2/M3/N2/N3类车，测试场景包括车对车、行人/自行车碰撞预警及误触发。最新修订扩展至城市驾驶场景；

• UN ECE R152（乘用车AEBS）：适用于M1/M2/N1/N2类车，覆盖车对车、行人横穿等测试，允许仿真测试替代物理测试。 

  
  

美国NHTSA法规

• FMVSS 127（轻型车AEB）：2029年9月1日起强制实施，要求车对车、行人（昼夜）及误触发测试；

• FMVSS 128（重型车AEB）：2027年9月1日起强制，侧重车对车场景，性能要求严于SAE标准。 

  
  

中国标准

• GB/T 39901-2021（乘用车AEBS）：覆盖FCW和紧急制动功能，未来将升级为强制标准；

• GB/T 38186-2019（商用车AEBS）：适用于M2/M3/N类车，修订中拟转强制；

• JT/T 1242-2019（营运车辆AEBS）：针对静止/移动车辆、行人及弯道场景测试。  

印度标准

基于R152标准制定，主要针对轻型车辆的AEB系统，包括车对车和行人横穿场景。

澳大利亚ADR法规

• ADR 97：要求从2023年11月1日起所有商用车配备符合R131标准的AEB系统；

• ADR 98：自2023年3月起，轻型车辆必须配备符合R152标准的AEB系统。

SAE（美国汽车工程师学会）标准

• SAE J3029-2023：适用于商用车和客车的前向防撞和缓解系统测试程序。相比FMVSS 128，SAE J3029要求的性能较低；

• SAE J3087-2017：主要定义AEB和FCW系统的测试条件和场景，但未提出具体性能标准。

国际标准化组织（ISO）

ISO 22839-2013：涵盖轻型和重型车辆的前向碰撞缓解系统（FVCMS），提供操作和性能要求，避免误触发的要求包括排除高架桥、路牌等误检测场景。

事实上，目前业界有些人可能对AEB过度鼓吹了，不应让用户过度依赖AEB技术。在多数人眼中，AEB作为ADAS基础功能，“稳定可靠”是最低要求。然而，在自动驾驶真正成熟之前，AEB不应被过度神化。

对于部分媒体片面强调AEB工作车速范围的对比评测，这种观点有失偏颇。作为一项相对成熟的主动安全技术，AEB系统长期以来都将工作速域谨慎地限定在50-60km/h这一安全区间。然而，随着智能驾驶技术的突飞猛进，行业开始逐步探索拓展AEB系统的速度边界。真的有必要去宣传80kmph甚至100kmph以上的AEB能力吗？

需要特别强调的是：AEB绝不能作为主动驾驶工具使用。本质上AEB只是被动安全冗余系统，仅在驾驶员反应不足或突发状况时提供辅助保护，且其干预效果本就存在不确定性。就像保险不能替代投资一样，过度依赖AEB这种'安全保险'反而可能造成更严重的后果。

此外，目前行业探索的AEB方案存在明显不确定性：一是依赖对周边环境的完美感知，二是避险轨迹难以预测，三是成功率受路况影响极大。现实情况复杂多变，系统可能因反应延迟或识别误差而无法避免碰撞。

更重要的是，AEB并非在任何时刻都会生效。据董车会调查，理想、问界、岚图、小鹏、特斯拉、小米和沃尔沃等品牌的车型均标配前向碰撞预警（FCW）和自动紧急制动（AEB）功能，其AEB的工作速度范围通常为5km/h至135km/h。在适用速度范围内，FCW系统会持续监测前方行驶环境。当检测到本车可能与前方车辆、行人或骑行者发生碰撞风险时，系统将发出预警。若碰撞风险进一步升级，AEB系统会自动施加制动，以降低车速，从而减轻或避免正面碰撞。然而，AEB在以下场景中可能无法正常工作：

• 特殊目标识别困难：如较低目标（儿童、蹲伏的行人），异形障碍物（落石、侧卧行人、水马、动物等）；

• 复杂运动目标：包括迎面而来、斜向或横向移动的车辆、行人及二轮车；

• 部分重叠或突然切入车辆：如相邻车道骑线行驶的车辆、仅部分车身重叠的前车，以及近距离快速切入本车道的车辆；

• 低速跟车场景：在拥堵跟车时，系统会优先响应驾驶员的加速请求。若前车突然刹停，AEB可能无法及时触发警告或自动制动。

不止一次有人发声表示：“AEB是一种在万不得已情况下的救命稻草，希望每个驾驶者都能清楚，你手上抓的是一把草，而不是一支竹竿。”所以切莫将自己的生命交给概率。

而部分车企已将希望寄托于激光雷达。例如，理想L9首次将激光雷达融入AEB算法，使其不仅能识别常规车辆、行人，还能应对异形障碍物和夜间场景；小鹏P7i则进一步拓展功能边界，在纵向制动基础上加入侧向避障，并借助双激光雷达提升对非常规物体（如路障、动物）的感知能力。

然而，激光雷达并非新鲜事物，即便激光雷达上车，也鲜少直接参与AEB。AEB表现未达预期，核心问题在于传感器融合的不足——主传感器误识别、对桩桶等小物体漏检、多传感器时序不同步等，均可能导致系统误判，或触发“幽灵刹车”。而响应速度的快慢，则高度依赖决策算法的优化。

激光雷达的确能提升感知安全感，但若融合算法不成熟，单一硬件无法包治百病。打造真正可靠的AEB系统，仍需攻克感知精度、算法鲁棒性等一系列难题。只有直面这些挑战，AEB可能才不会再次“翻车”。